Shluková analýza elektrokardiografických signálů
|
|
- Aleš Pravec
- před 7 lety
- Počet zobrazení:
Transkript
1 Rok / Year: Svazek / Volume: Číslo / Issue: Shluková analýza elektrokardiografických signálů ECG cluster analysis Martin Klimek, Jiří Kozumplík xklime23@stud.feec.vutbr.cz, kozumplik@feec.vutbr.cz Fakulta elektrotechniky a komunikačních technologií VUT v Brně Abstrakt: Článek se zabývá problematikou klasifikace cyklů elektrokardiografických krátkodobých signálů shlukovou analýzou s využitím borcení časové osy. Teoretická část článku shrnuje dosavadní vývoj a trendy v oblasti této problematiky. Druhou část článku tvoří aktuální stav řešení. Tato část dále srovnává vybrané metody pro analýzu abnormálních cyklů, které lze použít pro rozpoznání cyklů normálních od abnormálních. Abstract: The article deals with the classification of short-term electrocardiographic signals cluster analysis using dynamic time warping. The theoretical part of the paper reviews recent developments and trends in this issue. The second part consists of the current state of the solution. This section also compares the selected method for analyzing abnormal cycles that can be used in order to sort QRS complexes according to their morphology.
2 Shluková analýza elektrokardiografických signálů Martin Klimek, Jiří Kozumplík Fakulta elektrotechniky a komunikačních technologií VUT v Brně Ústav biomedicínského inženýrství, Kolejní 4, Brno xklime23@stud.feec.vutbr.cz, kozumplik@feec.vutbr.cz Abstrakt Článek se zabývá problematikou klasifikace cyklů elektrokardiografických krátkodobých signálů shlukovou analýzou s využitím borcení časové osy. Teoretická část článku shrnuje dosavadní vývoj a trendy v oblasti této problematiky. Druhou část článku tvoří aktuální stav řešení. Tato část dále srovnává vybrané metody pro analýzu abnormálních cyklů, které lze použít pro rozpoznání cyklů normálních od abnormálních. 1 Úvod V poslední době představují lékařské modality širokou škálu metod využívajících různých principů k získání informace o vyšetřované části pacienta. Do sféry zdravotnictví každý den pronikají nové technologie z počítačové a komunikační oblast aby mohly uspokojit stále rostoucí požadavky a kladené nároky [1]. Předkládaný článek se zaměřuje na analýzu rytmu signálu EKG. Důležitost EKG signálu jako nástroje pro odhalení různých srdečních chorob je všeobecně známá. Kardiovaskulární onemocnění jsou závažná onemocnění, která postihují velkou část lidské populace a je potřeba je odhalit včas. V dnešní době se vedle hodnocení krátkodobých signálů EKG stále častěji používá tzv. Holterovo vyšetření. Jedná se o dlouhodobé (zpravidla 24 až 48 hodin), neinvazivní měření. Holterovo vyšetření může díky množství získaných dat (řádově desítky tisíc cyklů) odhalit poruchy rytmu, které se v krátkodobém signálu nemusí projevit [2]. Studium souvislostí mezi výskytem specifických poruch srdce a dlouhodobým průběhem signálu EKG se stalo v posledním desetiletí středem zájmu mnoha lékařských kongresů a vědeckých článků v tomto oboru. Detekce výskytů abnormálních cyklů bývá zpravidla automatizována, jelikož při tak velkém záznamu je prakticky nemožné, aby celý záznam kontroloval lékař. Záznam, který obsahuje větší množství dat a vyžaduje lidskou kontrolu, je totiž rizikový na potenciální výskyt chyb způsobených únavou člověka. Z výše zmíněných důvodů se předmětem vědeckých výzkumu staly počítačově založené metody na analýzu EKG. Automatická analýza EKG byla již několikrát reprezentována za použití různých algoritmů. Algoritmy založené na EKG morfologii [3], [4], srdečních intervalech [3] - [6], frekvenční analýze [7], algoritmy založené na využití neuronových sítí a samoorganizující se mapy a sítě [12]. 2 Analýza EKG Metodou, která byla použita pro analýzu signálu EKG v této prác je shluková analýza. Jedná se o vícerozměrnou statistickou metodu. Hlavní podstatou metody je vytvoření shluků, které v sobě obsahují jednotlivé cykly shluknuté na základě vybraných kritérií. Cílem metody je v dané množině nalézt příslušné shluky tak, aby si prvky ve stejném shluku byly navzájem co nejvíce podobné a zároveň se co nejvíce lišily od prvků mimo tento shluk. Každý vybraný srdeční cyklus v daném shluku může být dále reprezentativním prvkem celého shluku. Vytříděním těchto reprezentativních cyklů zkrátíme celkovou časovou náročnost kontroly. Takto upravený signál bývá zpravidla dále analyzován lékařem. Shluková analýza se řadí mezi metody učení bez učitele, což přináší výhodu, že nepotřebujeme žádnou trénovací množinu dat [8]. 2.1 Předzpracování K testování algoritmu byla využita data z knihovny CSE (Common Standards for quantitative Electrocardiography) [13][14], která je na Ústavu biomedicínského inženýrství dostupná a obsahuje klidové signály EKG (dvanáctisvodových i ortogonálních). Protože v signálu EKG se často setkáváme s rušením, které může negativně ovlivnit další diagnostiku, bylo potřeba před samotnou analýzou provést předzpracování signálu a tím potlačit negativní složky. V experimentu jsme potlačili úzkopásmové rušení, kam patří rušení elektrickou sítí (brum) a drift nulové izolinie, který je způsoben nejčastěji pomalými elektrochemickými ději na rozhraní elektroda-tkáň, případně vlivem respirace vyšetřované osoby. K tomuto účelu byla použita dolní propust s mezní frekvencí 70Hz a dále využit algoritmus založený na principu nulování spektrálních čar. Samotná filtrace dále rozebírána není, protože přesahuje rámec tohoto článku. Po filtraci bylo třeba extrahovat ze signálu jednotlivé cykly. K tomuto účelu byl v práci využit detektor QRS založený na vlnkové transformac který označil pozici jednotlivých vln R [9], t t, t,..., t } (1) R { R1 R2 Rn Nyní známe pozici všech detekovaných vln R. Jednotlivé cykly byly následně roztříděny dle obrázku 1 podle [1]. 271
3 které pomocí nastavených vah 2 a 3 zvýhodňuje šikmou cestu v matic kdy dochází k nejmenšímu zkreslení vybraných cyklů. Původní signály vidíme na obrázku 2, upravené signály na obrázku 3. Obrázek 1: Lokace cyklů pomocí zjištěné pozice R-vlny. T Ri udává pozici i-té R vlny v čase t. T i poté představuje délku mezi dvěma po sobě jdoucími R-vlnami T Ri a T Ri+1. C i je celý konkrétní i-tý cyklus v signálu EKG [2]. Před navazující shlukovou analýzou jsme jednotlivé cykly přizpůsobili na stejnou délku, respektive stanovili podobnost mezi různě dlouhými cykly. Zde bylo využito borcení časové osy (DTW Dynamic Time Warping) [12]. Jedná se o nelineární metodu, která umožňuje vzájemnou podobnost stanovit. Transformační funkce, která poskytuje přizpůsobení vybraných cyklů, může být určena pomocí lokálních vzdáleností mezi body v rovině (. Vztah (2) znázorňuje vybranou míru pro určení příznakových vektorů. Byla vybrána absolutní hodnota rozdílu N d( r ( i) t ( i), (2) n1 kde d( je lokální vzdálenost, která tvoří matici I x J lokálních vzdáleností obou cyklů a r n a t n jsou přizpůsobované signály. Abychom získali přiřazení obou cyklů, hledáme uvnitř matice cestu s minimální délkou, která vede z d(1,1) do d(i,j). To je ukázáno ve vztahu (3), který je rozepsán n n D min d(. (3) min K získání této minimální cesty bylo nutno systematicky prozkoumat všechny možné varianty cesty. Pro určení optimální transformační cesty se zavádí tzv. akumulovaná vzdálenost D a (, která je definována jako součet hodnot vzdáleností podél cesty. Existuje ovšem mnoho možností výběru okolí, ze kterého se počítá konkrétní hodnota D a. Protože některé cesty jsou předem vyloučeny z důvodů nereálného zkreslení porovnávaných cyklů, postačuje hledat v omezeném prostoru matice. Vztah (4) zobrazuje lokální omezení funkce DTW, které bylo v práci navrženo Obrázek 2: Původní signály před provedením DTW algoritmu. Pro ukázku byl vybrán 1. a 3. cyklus ze signálu MO1_117. Obrázek 3: Obrázek koresponduje s obrázkem 2 po aplikaci algoritmu DTW. Signály byly zarovnány v čase a přizpůsobeny na stejný počet vzorků. Pokud se při tvorbě matice akumulovaných vzdáleností pohybujeme z levého dolního rohu do pravého horního rohu, pak vzdálenost a tím jejich míra podobnost či naopak míra nepodobnosti mezi porovnávanými posloupnostmi je dána číslem v pravém horním rohu matice. Čím je číslo vyšší, tím jsou posloupnosti více nepodobné. Takto vytvoříme kompletní matici vzdáleností pro všechny posloupnost která je nezbytná pro samotnou shlukovou analýzu. 2.2 Shluková analýza Dalším krokem je shluková analýza. Protože již máme připravenou matici vzdáleností, můžeme realizovat přímo shlukovou metodu. Zde byla použita metoda SLINK (single linkage) [10], která je tzv. metodou nejbližšího souseda. Z hierarchických metod dávala metoda SLINK nejlepší výsledky. Pro ilustraci příkladu byl vybrán rovněž signál č. 117, který byl již dříve zmíněn. Tento signál je dobře názorný, protože obsahuje 4 podobné cykly, které se v průběhu 3krát opakují. Původní signál lze vidět na obrázku 4. Da ( j 1) 3d( Da ( min Da ( i 1, j 1) 2d(, (4) Da ( i 1, 3d( Obrázek 4: Signál MO1_117 z databáze CSE. Jedná se o ori- 272
4 ginální signál (svod V2). Protože se jedná o krátkodobé signály, byly ve všech případech vytvořeny i dendrogramy, aby podobnosti mezi objekty byly na první pohled lépe patrné. Vytvořený dendrogram ze signálu W117 lze vidět na obrázku 5, kde je ručně vyznačen práh. Na obrázku vidíme, že podobné cykly patří do jednotlivých ze čtyř hlavních shluků, což v tomto případě koresponduje se správnou klasifikací. Obrázek 5: Dendrogram po aplikaci metody SLINK, která rozdělila průběhy (1-12) do několika shluků dle jejich vzájemné podobnosti. Tento postup byl aplikován na všech 22 signálech, které byly z CSE databáze vybrány pro výskyt extrasystol. 3 Srovnání Získané výsledky byly srovnány se dvěma algoritmy, které byly na UBMI rovněž testovány. Jedná se o algoritmus vycházející z RR intervalů a tvarových faktorů a dále o algoritmus vycházející z korelační matice [11]. Srovnání úspěšnosti všech tří algoritmů je vidět v tabulce 1. Nejméně úspěšný je algoritmus založený na získání korelační matice, kde jsou vypočítané podobnostní koeficienty (korelační) všech možných dvojic QRS komplexů z analyzovaného signálu. Algoritmus dosáhl úspěšnosti 72% (tj. 16 z 22 signálu bylo klasifikováno správně). Správnou klasifikací rozumíme případ, kdy všechny cykly byly klasifikovány správně, tzn. žádný cyklus není klasifikován do jiného shluku. Algoritmus založený na tvarovém faktoru v kombinaci s RR intervaly dosáhl úspěšné klasifikace v 82%, tj. 18 signálů bylo klasifikováno korektně. Výše popsaný algoritmus založený na dynamickém borcení časové osy dosáhl úspěšné klasifikace v 86% (tj. 19 z 22 signálů). Všechny algoritmy byly v signálech použity na svodu V2, pro který bylo empiricky zjištěno, že vychází nejlépe. U signálu č. 6 a 54 je špatná klasifikace proto, že abnormální cykly jsou okrajové, takže nebyly do analýzy správně zahrnuty. U signálu č. 47 se vyskytují cykly velmi podobného tvaru, takže v následném dendrogramu se nepodařilo jednotlivé cykly správně rozlišit, protože jejich vzdálenost byla příliš malá. Zde by pomohlo vybrat pro analýzu jiný svod. Stejná analýza byla provedena i s automatickým výběrem počtu shluků (použitím funkce cophenet). Použitím této funkce by se úspěšnost analýzy snížila o 13% (tj. o 3 signály, konkrétně signál W023, W117 a W120). Tabulka 1: Srovnání výsledků všech tří algoritmů pro vybraných 22 signálů z databáze CSE. Signál RR a FF Korel. mat. DTW W006 špatně špatně špatně W011 správně správně správně W020 správně správně správně W023 špatně špatně správně W026 správně správně správně W028 špatně správně špatně W034 správně špatně správně W040 správně správně správně W047 správně špatně správně W054 špatně špatně špatně W061 správně správně správně W065 správně správně správně W074 správně správně správně W075 správně správně správně W103 správně správně správně W105 správně správně správně W109 správně špatně správně W112 správně správně správně W115 správně správně správně W117 správně správně správně W120 správně správně správně W122 správně správně správně U algoritmu, založeném na RR intervalem a tvarových faktorech, byla dle autorů nejčastější příčina selhání to, že se v daném signálu vyskytovaly jen QRS cykly podobného tvaru. Tvarové faktory tedy byly podobné, ale standardizace dat hodnoty tvarových faktorů rozprostřela do prostoru, čili vznikly špatné shluky objektů. Další příčinou bylo to, že předcházející abnormální QRS cyklus zvyšoval délku RR intervalu následujícího cyklu. A pokud tento následující cyklus byl také abnormální, tak se mohlo stát, že byl zařazen do shluku normálních cyklů, a to díky zvýšené délce RR intervalu. Poslední příčinou špatné funkce tohoto algoritmu bylo to, že se v signálu nevyskytoval ani jeden normální cyklus, čili nebylo možno s ničím srovnat abnormální cykly [11]. U druhého algoritmu, založeném na korelační matic byla nejčastější příčina selhání stejná jako u prvního algoritmu. Korelace mezi těmito QRS cykly vyšly všechny vysoké (korelační vzdálenosti malé), čili nebyl žádný výrazný rozdíl ani 273
5 mezi jedinou dvojicí objektů. V některých případech bylo nutné použít jinou shlukovou metodu než UPGMA, i když tato metoda dává nejvěrohodnější výsledky dle Pearsonových korelačních koeficientů. Poslední příčina špatné funkce tohoto algoritmu byla stejná jako u předešlého algoritmu. Nebyl v signálu žádný referenční normální QRS cyklus, u kterého by vycházely nízké hodnoty korelací s abnormálními cykly [11]. Poslední algoritmus, založený na dynamickém borcení časové osy dosáhl nejlepších výsledků a selhal jen ve třech případech. Nejčastější příčinou byla malá tvarová odlišnost extrasystol od normálních QRS komplexů, případně signál, který neobsahoval žádný normální cyklus. Výhodou metody je malá citlivost metody na případ, kdy extrasystoly ovlivňují délku předcházejících cyklů. To znamená, že i když je cyklus před extrasystolou normální, dojde ke zkrácení jeho délky a tím může být jeho analýza znehodnocena. 4 Závěr V této práci bylo testováno 22 signálů z knihovny CSE, které obsahují extrasystoly. Cílem bylo pomocí zvolených postupů od sebe oddělit normální a abnormální srdeční cykly na základě rozdílů v morfologii jednotlivých cyklů. Srovnání výsledků metod je vidět v tabulce 1. Algoritmus založený na borcení časové osy dosáhl úspěšné klasifikace v 86%. Při použití automatického počtu shluku by tato úspěšnost byla 73%. Nutno však říc že zde se jedná o krátkodobé signály. Prvním problémem je, že máme jen velmi malý počet cyklů pro klasifikac takže i nepatrné změny mohou vést k rozdílné klasifikaci. Druhým je fakt, že normální cykly se při desetisekundových záznamech nemusí vůbec vyskytnout. Při dlouhodobých signálech by úspěšnost automatického počtu shluků hrála až sekundární rol protože při Holterovských záznamech je třeba zhodnotit až cyklů. V praxi by to v daném případě znamenalo pro lékaře ohodnotit jeden nebo dva cykly (shluky) navíc, což je zanedbatelné. Jedním z hlavních problémů, kterému čelí dnešní automatizované systémy, je velká variabilita tvaru EKG křivky různých jedinců. Zde se setkáváme s problémem, že klasifikátor, který funguje na přípravné databáz může v praxi selhat [5]. Řešení, které se snaží minimalizovat tento problém je využít co nejvíc testovacích signálů a vytvořit tak velkou databázi. Nicméně i tento přístup má několik úskalí. Bez ohledu na to, jak je databáze velká, nelze pokrýt všechny EKG křivky. Dalším problémem zmíněného řešení je fakt, že složitost třídění při tak velké databázi neúměrně roste. Je třeba si uvědomit, že automatizované algoritmy musí být navrženy tak, aby zohlednily i četné výjimky. Výsledkem jsou pak složitá třídění, která je velmi nákladné vytvořit, udržovat a aktualizovat. Ze zmíněného vyplývá, že snaha je nechat klasifikační algoritmus přizpůsobit individualitě každého pacienta jako tomu bylo i zde, kdy se srovnávají normální a abnormální cykly konkrétního jedince. Závěrem je nutno ještě dodat, že např. při supraventrikulárních extrasystolách v analyzovaných signálech, popřípadě při existenci AV bloků nemusí docházet ke změnám na QRS komplexech. Při takových případech je zbytečné podle shlukové analýzy QRS komplexů hodnotit normální a abnormální cykly, jelikož QRS komplexy jsou z morfologického hlediska všechny stejného typu. Úspěchu by šlo dosáhnout při výrazně aberantních vlnách P, které se zahrnou do segmentovaného úseku před QRS, vliv je ovšem nevýznamný. Co se týká výběru nejvhodnějšího svodu k analýze, nelze jednoznačně stanovit, který je nejvhodnější. Dobrým kritériem pro výběr svodu je svod s co nejmenším zašuměním v signálu. Přestože metoda založená na borcení časové osy dosáhla nejlepších výsledků i zde je třeba si uvědomit, že v některých případech rovněž selhala, což může mít při detekci kardiovaskulárních onemocnění velký vliv. Návrhem na zlepšení metody by bylo zkombinovat metodu s hodnocením více parametrů, tzn. nesoustředit se pouze na morfologii QRS komplexu, ale například zavést hodnocení poměru vzdáleností R-R intervalů apod. Další možností, pokud bychom hodnotili pouze extrasystoly jako v této situac je nebrat celé srdeční cykly, ale pouze QRS komplexy, čímž by výrazně klesla celková výpočetní náročnost metody. 5 Literatura [1] WILLEMS, Jos, Cassiano ABREU-LIMA a Pierre AR- NAUD. The diagnostic performance of computer programs for the interpretation of electrocardiograms. The New England Journal of Medicine [online]. 1991, č. 325 [cit ]. Dostupné z: [2] CUESTA-FRAU, David, Juan PÉREZ-CORTÉS a Gabriela ANDREU-GARCÍA. Computer Methods and Programs in Biomedicine Computer Methods and Programs in Biomedicine [online]. 2003, č. 72 [cit ]. Dostupné z: [3] YEAP, T.H., F. JOHNSON a M. RACHNIOWSKI. ECG Beat Classification by a Neural Network. Computer Methods and Programs in Biomedicine [online]. 2001, č. 66 [cit ]. Dostupné z: [4] HU, Y. H., W. J. TOMPKINS, J.L. URRUSTI a V. X. AFONSO. Applications of artificial neural networks for ECG signal detection and classification. J Electrocardiol [online]. 1993, č. 26 [cit ]. Dostupné z: [5] HU, Y. H., PALREDDY, S. a TOMPKINS, W. J. A patient-adaptable ECG beat classifier using a mixture of experts approach. IEEE Trans.Biomed. Eng., č. 44, 1997, s [6] OSOWSKI, S. a T. L. LINH. ECG beat recognition using fuzzy hybrid neural network. IEEE Trans. Biomed. Eng., č. 48, 2001, s [7] SENHADJI, L., G. CARRAULT, J. J. BELLANGER a G. PASSARIELLO. Comparing wavelet transforms for recognizing cardiac patterns. IEEE Eng. Med. Biol. Mag. 1995, č. 14, s [8] STERNICKEL, K. Automatic pattern recognition in ECG time series. Computer Methods and Programs in Biomedicine. 2002, č. 68, s
6 [9] VÍTEK, Martin. Automatické rozměření signálu. Brno, Disertační práce. FEKT VUT. [10] KELBEL, J., ŠILHÁN, D. [online] [cit ]. Shluková analýza. Dostupné z: ShlukovaAnalyza.pdf. [11] CHROBÁK, Martin. Shluková analýza. Brno, Diplomová práce. FEKT VUT. [12] SIGMUND, Milan. Rozpoznávání řečových signálů: přednášky. 1. vyd. Brno: VUT FEKT, ústav radioelektroniky, 2007, 122 s. ISBN [13] The CSE working party. Recommendations for measurement standards in quantitative electrocardiography. European Heart Journal. 1985, č. 6, s [14] WILLEMS, Jos, Pierre ARNAUD a J. VAN BEMMEL. Common standards for quantitative electrocardiography: goals and main results. Methods of Information in Medicine. 1990, č. 29, s
Automatická analýza signálu EKG
Rok / Year: Svazek / Volume: Číslo / Issue: 2013 15 5 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,
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.
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
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
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
VíceRozpoznávání izolovaných slov (malý slovník, např. číslovky, povely).
Rozpoznávání řeči Každý člověk má originální hlasové ústrojí a odlišný způsob artikulace, to se projevuje rozdílnou barvou hlasu, přízvukem, rychlostí řeči atd. I hlas jednoho řečníka je variabilní a závislý
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............................
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
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
VíceKlasifikace předmětů a jevů
Klasifikace předmětů a jevů 1. Úvod Rozpoznávání neboli klasifikace je základní znak lidské činnosti. Rozpoznávání (klasifikace) předmětů a jevů spočívá v jejich zařazování do jednotlivých tříd. Třídou
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
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
VíceUčící se klasifikátory obrazu v průmyslu
Učící se klasifikátory obrazu v průmyslu FCC průmyslové systémy s.r.o. FCC průmyslové systémy je technicko obchodní společností, působící v oblasti průmyslové automatizace. Tvoří ji dvě základní divize:
VíceJasové transformace. Karel Horák. Rozvrh přednášky:
1 / 23 Jasové transformace Karel Horák Rozvrh přednášky: 1. Úvod. 2. Histogram obrazu. 3. Globální jasová transformace. 4. Lokální jasová transformace. 5. Bodová jasová transformace. 2 / 23 Jasové transformace
VíceKlasifikace Landau-Kleffnerova syndromu
Klasifikace Landau-Kleffnerova syndromu malých dětí 1. Abstrakt Petr Zlatník ČVUT FEL, K13131 Katedra teorie obvodů Tento příspěvěk pojednává o klasifikaci Landau-Kleffnerova syndromu, který se projevuje
VíceVzdělávání v Biomedicínské a Zdravotnické Informatice
Vzdělávání v Biomedicínské a Zdravotnické Informatice Prof. RNDr. Jana Zvárová, DrSc. EuroMISE Centrum Univerzity Karlovy a Akademie věd České republiky 1. LF UK a ÚI AV ČR Satelitní seminář EFMI STC 2013,
VíceObsah přednášky Jaká asi bude chyba modelu na nových datech?
Obsah přednášky Jaká asi bude chyba modelu na nových datech? Chyba modelu Bootstrap Cross Validation Vapnik-Chervonenkisova dimenze 2 Chyba skutečná a trénovací Máme 30 záznamů, rozhodli jsme se na jejich
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
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz III. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných
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
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
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
VíceAnténní řada 2x2 pro přenos digitálního TV signálu v pásmu 4,4 až 5 GHz
Rok / Year: Svazek / Volume: Číslo / Issue: 2012 14 3 Anténní řada 2x2 pro přenos digitálního TV signálu v pásmu 4,4 až 5 GHz 2x2 antenna array for receiving of the digital Tv signal working in the band
Vícediogram III. II. Úvod: Elektrokardiografie elektrod) potenciálu mezi danou a svorkou Amplituda [mv] < 0,25 0,8 1,2 < 0,5 Elektrická
Laboratorní úloha č.6: Elektrokardiogram a vektorkardv diogram Úvod: Elektrokardiografie je velmi jednoduché, neinvazivní vyšetření. Každý stahh srdečního svalu je doprovázen vznikem slabého elektrického
VíceTSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY
TSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY V PROSTŘEDÍ MATLAB K. Nováková, J. Kukal FJFI, ČVUT v Praze ÚPŘT, VŠCHT Praha Abstrakt Při rozpoznávání D binárních objektů z jejich diskrétní realizace se využívají
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
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
VíceDolování z textu. Martin Vítek
Dolování z textu Martin Vítek Proč dolovat z textu Obrovské množství materiálu v nestrukturované textové podobě knihy časopisy vědeckéčlánky sborníky konferencí internetové diskuse Proč dolovat z textu
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
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
VíceElektronický systém a programové vybavení pro detekci a optimalizaci pulzů kardiostimulátoru
Elektronický systém a programové vybavení pro detekci a optimalizaci pulzů kardiostimulátoru Milan Štork Katedra aplikované elektroniky a telekomunikací & Regionálním inovační centrum pro elektrotechniku
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
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
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
VíceANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík,, CSc. NEURONOVÉ SÍTĚ otázky a odpovědi 1 AKD_predn4, slide 8: Hodnota výstupu závisí na znaménku funkce net i, tedy na tom, zda bude suma
Více5. Umělé neuronové sítě. Neuronové sítě
Neuronové sítě Přesný algoritmus práce přírodních neuronových systémů není doposud znám. Přesto experimentální výsledky na modelech těchto systémů dávají dnes velmi slibné výsledky. Tyto systémy, včetně
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
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
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz LITERATURA Holčík, J.: přednáškové prezentace Holčík, J.: Analýza a klasifikace signálů.
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
VíceKybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
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
VíceNávrh a implementace algoritmů pro adaptivní řízení průmyslových robotů
Návrh a implementace algoritmů pro adaptivní řízení průmyslových robotů Design and implementation of algorithms for adaptive control of stationary robots Marcel Vytečka 1, Karel Zídek 2 Abstrakt Článek
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
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.
VíceUkazka knihy z internetoveho knihkupectvi www.kosmas.cz
Ukazka knihy z internetoveho knihkupectvi www.kosmas.cz EKG PRO SESTRY Eliška Sovová a kol. Motto: Nejhorší je promeškat čas, kdy se můžete bez obav zeptat PROČ GRADA PUBLISHING EKG PRO SESTRY Hlavní autorka:
VíceROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA
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
VíceIntervalový odhad. Interval spolehlivosti = intervalový odhad nějakého parametru s danou pravděpodobností = konfidenční interval pro daný parametr
StatSoft Intervalový odhad Dnes se budeme zabývat neodmyslitelnou součástí statistiky a to intervaly v nejrůznějších podobách. Toto téma je také úzce spojeno s tématem testování hypotéz, a tedy plynule
VíceRozdělování dat do trénovacích a testovacích množin
Rozdělování dat do trénovacích a testovacích množin Marcel Jiřina Rozpoznávání je důležitou metodou při zpracování reálných úloh. Rozpoznávání je definováno dvěma kroky a to pořízením dat o reálném rozpoznávaném
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceDETEKCE KOMPLEXŮ QRS VE VÍCESVODOVÝCH SIGNÁLECH 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
VíceKLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ
KLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ Marie Richterová 1, David Juráček 2 1 Univerzita obrany, Katedra KIS, 2 PČR MŘ Brno Abstrakt Článek se zabývá rozpoznáváním analogových a diskrétních
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
VíceTvorba grafů v programu ORIGIN
LICENČNÍ STUDIUM GALILEO STATISTICKÉ ZPRACOVÁNÍ DAT SEMESTRÁLNÍ PRÁCE Tvorba grafů v programu ORIGIN doc.dr.ing.vladimír Pata Univerzita Tomáše Bati ve Zlíně Fakulta technologická Ústav výrobních technologií
VíceElektronická podpora výuky na ÚBMI
Závěrečná zpráva rozvojového projektu Elektronická podpora výuky na ÚBMI MŠMT č. 645 Odpovědný řešitel: Prof. Ing. Jiří Holčík, CSc. ČVUT v Praze - FBMI Kladno, leden 2006 Vyhodnocení splněných cílů a
VíceKlasifikace a rozpoznávání. Lineární klasifikátory
Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber
VíceVektorové obvodové analyzátory
Radioelektronická měření (MREM, LREM) Vektorové obvodové analyzátory 9. přednáška Jiří Dřínovský Ústav radioelektroniky FEKT VUT v Brně Úvod Jedním z nejběžnějších inženýrských problémů je měření parametrů
VíceText Mining: SAS Enterprise Miner versus Teragram. Petr Berka, Tomáš Kliegr VŠE Praha
Text Mining: SAS Enterprise Miner versus Teragram Petr Berka, Tomáš Kliegr VŠE Praha Text mining vs. data mining Text mining = data mining na nestrukturovaných textových dokumentech otázka vhodné reprezentace
VíceEkonomické aspekty statistické regulace pro vysoce způsobilé procesy. Kateřina Brodecká
Ekonomické aspekty statistické regulace pro vysoce způsobilé procesy Kateřina Brodecká Vysoce způsobilé procesy s rozvojem technologií a důrazem kladeným na aktivity neustálého zlepšování a zeštíhlování
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
VíceSamoučící se neuronová síť - SOM, Kohonenovy mapy
Samoučící se neuronová síť - SOM, Kohonenovy mapy Antonín Vojáček, 14 Květen, 2006-10:33 Měření a regulace Samoorganizující neuronové sítě s učením bez učitele jsou stále více využívány pro rozlišení,
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
VíceAlgoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
VíceChybějící atributy a postupy pro jejich náhradu
Chybějící atributy a postupy pro jejich náhradu Jedná se o součást čištění dat Čistota dat je velmi důležitá, neboť kvalita dat zásadně ovlivňuje kvalitu výsledků, které DM vyprodukuje, neboť platí Garbage
VícePřednáška 13 Redukce dimenzionality
Vytěžování Dat Přednáška 13 Redukce dimenzionality Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL) Redukce dimenzionality 1 /
VíceÚloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceIntegrovaná dvoupásmová flíčkovo-monopólová anténa
Rok / Year: Svazek / Volume: Číslo / Number: 2015 17 2 Integrovaná dvoupásmová flíčkovo-monopólová anténa The integrated dual band monopole patch-antenna David Krutílek, Michal Mrnka, Vladimír Hebelka,
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
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
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
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
VícePetr Zlatník, Roman Čmejla. Katedra teorie obvodů, Fakulta elektrotechnická, ČVUT, Praha. Abstrakt
Vyhodnocování promluv dětí s poruchami řeči Petr Zlatník, Roman Čmejla Katedra teorie obvodů, Fakulta elektrotechnická, ČVUT, Praha Abstrakt Příspěvek popisuje metodu, která byla vyvinuta pro vyhodnocení
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
VíceNeuropočítače. podnět. vnímání (senzory)
Neuropočítače Princip inteligentního systému vnímání (senzory) podnět akce (efektory) poznání plánování usuzování komunikace Typické vlastnosti inteligentního systému: schopnost vnímat podněty z okolního
VícePřednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy
Přednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy Relativní riziko a poměr šancí Princip korelace dvou náhodných veličin Korelační koeficienty Pearsonůva Spearmanův Korelace a kauzalita
VíceLaboratorní úloha č. 8: Polykardiografie
pletys. dech FKG EKG-II. [mv] Laboratorní úloha č. 8: Polykardiografie Úvod: Polykardiografie je současný záznam několika metod sledujících různé projevy srdečního cyklu. Základem jsou elektrokardiografie,
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 S VYUŽITÍM TRANSFORMACE SVODŮ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceTrénování sítě pomocí učení s učitelem
Trénování sítě pomocí učení s učitelem! předpokládá se, že máme k dispozici trénovací množinu, tj. množinu P dvojic [vstup x p, požadovaný výstup u p ]! chceme nastavit váhy a prahy sítě tak, aby výstup
VícePokročilé operace s obrazem
Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání
VíceCitlivost kořenů polynomů
Citlivost kořenů polynomů Michal Šmerek Univerzita obrany v Brně, Fakulta ekonomiky a managementu, Katedra ekonometrie Abstrakt Článek se zabývá studiem citlivosti kořenů na malou změnu polynomu. Je všeobecně
VíceINDUKTIVNÍ STATISTIKA
10. SEMINÁŘ INDUKTIVNÍ STATISTIKA 3. HODNOCENÍ ZÁVISLOSTÍ HODNOCENÍ ZÁVISLOSTÍ KVALITATIVNÍ VELIČINY - Vychází se z kombinační (kontingenční) tabulky, která je výsledkem třídění druhého stupně KVANTITATIVNÍ
VíceSemestrální práce: Rozpoznání hláskované řeči a převedení na text
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství Ústav mechaniky těles, mechatroniky a biomechaniky Technická 2, Brno 616 69 RSZ Základy zpracování signálu Semestrální práce: Rozpoznání hláskované
Více8. PŘEDNÁŠKA 20. dubna 2017
8. PŘEDNÁŠKA 20. dubna 2017 EEG systém rozložení elektrod 10/20 základní typy zapojení požadavky na EEG přístroj analýza EEG a způsoby zobrazení ontogeneze normální EEG úvod ke cvičení montáž, filtrace,
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.
VíceDOKUMENTACE Identifikace pomocí otisků prstů
DOKUMENTACE Identifikace pomocí otisků prstů Lukáš Rajský, RAJ029 Aleš Seifert, SEI041 1. února 2003 1 1 Úvod První známý systém klasifikace otisku prstů byl zaveden v Indii na počátku minulého století
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:
VíceKrevní tlak/blood Pressure EKG/ECG
Minutový objem srdeční/cardiac output Systolický objem/stroke Volume Krevní tlak/blood Pressure EKG/ECG MINUTOVÝ OBJEM SRDCE Q CARDIAC OUTPUT je množství krve, které srdce vyvrhne do krevního oběhu za
VíceMATLAB PRO PODPORU VÝUKY KOMUNIKAČNÍCH SYSTÉMŮ
MATLAB PRO PODPORU VÝUKY KOMUNIKAČNÍCH SYSTÉMŮ Aneta Coufalíková, Markéta Smejkalová Mazálková Univerzita obrany Katedra Komunikačních a informačních systémů Matlab ve výuce V rámci modernizace výuky byl
VíceNáhlá srdeční smrt ve sportu Hlavní příčiny a možnosti prevence
Náhlá srdeční smrt ve sportu Hlavní příčiny a možnosti prevence Doc. MUDr.Tomáš Kára,PhD, Prim. MUDr. Pavel Homolka, PhD, Prof. MUDr. Petr Dobšák, CSc., Prim. MUDr. Ladislav Groch, As. MUDr. Ota Hlinomaz,PhD,
VíceZpracování obrazů. Honza Černocký, ÚPGM
Zpracování obrazů Honza Černocký, ÚPGM 1D signál 2 Obrázky 2D šedotónový obrázek (grayscale) Několikrát 2D barevné foto 3D lékařské zobrazování, vektorová grafika, point-clouds (hloubková mapa, Kinect)
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti. Autor práce: Přednášející: Prof. RNDr. Milan Meloun, DrSc Zpracovávaná data jsou
VíceYou created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)
Závislost náhodných veličin Úvod Předchozí přednášky: - statistické charakteristiky jednoho výběrového nebo základního souboru - vztahy mezi výběrovým a základním souborem - vztahy statistických charakteristik
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ ROZMĚŘENÍ 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
VíceKatedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
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
VícePSK1-5. Frekvenční modulace. Úvod. Vyšší odborná škola a Střední průmyslová škola, Božetěchova 3 Ing. Marek Nožka. Název školy: Vzdělávací oblast:
PSK1-5 Název školy: Autor: Anotace: Vzdělávací oblast: Předmět: Tematická oblast: Výsledky vzdělávání: Klíčová slova: Druh učebního materiálu: Vyšší odborná škola a Střední průmyslová škola, Božetěchova
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.
Více