Global ETD Search

31	Automatická detekce ischemie v EKG / Automatic detection of ischemia in ECG Noremberczyk, Adam January 2016 (has links) This thesis discusses the utilization of the artificial neural networks (ANN) for detection of coronary artery disease (CAD) in frequency area. The first part of this thesis is orientated towards the theoretical knowledge. Describes the issue of ECG pathological changes. ECQ are converted to frequency area. Described statistical methods and methods for automatic detection of CAD and MI. Explained the issue of the perceptron and ANN. The second deals with use of Neural Network Toolbox MATLAB®. This part focuses on counting and finding suitable parameters and making connection of band. At the end of the thesis UNS is used to detect ischemic parameters and the results are discussed. Average values for the best settings are 100% accuracy.
32	Atrial Fibrillation Detection Algorithm Evaluation and Implementation in Java / Utvärdering av algoritmer för detektion av förmaksflimmer samt implementation i Java Dizon, Lucas, Johansson, Martin January 2014 (has links) Atrial fibrillation is a common heart arrhythmia which is characterized by a missing or irregular contraction of the atria. The disease is a risk factor for other more serious diseases and the total medical costs in society are extensive. Therefore it would be beneficial to improve and optimize the prevention and detection of the disease. Pulse palpation and heart auscultation can facilitate the detection of atrial fibrillation clinically, but the diagnosis is generally confirmed by an ECG examination. Today there are several algorithms that detect atrial fibrillation by analysing an ECG. A common method is to study the heart rate variability (HRV) and by different types of statistical calculations find episodes of atrial fibrillation which deviates from normal sinus rhythm. Two algorithms for detection of atrial fibrillation have been evaluated in Matlab. One is based on the coefficient of variation and the other uses a logistic regression model. Training and testing of the algorithms were done with data from the Physionet MIT database. Several steps of signal processing were used to remove different types of noise and artefacts before the data could be used. When testing the algorithms, the CV algorithm performed with a sensitivity of 91,38%, a specificity of 93,93% and accuracy of 92,92%, and the results of the logistic regression algorithm was a sensitivity of 97,23%, specificity of 93,79% and accuracy of 95,39%. The logistic regression algorithm performed better and was chosen for implementation in Java, where it achieved a sensitivity of 97,31%, specificity of 93,47% and accuracy of 95,25%. / Förmaksflimmer är en vanlig hjärtrytmrubbning som kännetecknas av en avsaknad eller oregelbunden kontraktion av förmaken. Sjukdomen är en riskfaktor för andra allvarligare sjukdomar och de totala kostnaderna för samhället är betydande. Det skulle därför vara fördelaktigt att effektivisera och förbättra prevention samt diagnostisering av förmaksflimmer. Kliniskt diagnostiseras förmaksflimmer med hjälp av till exempel pulspalpation och auskultation av hjärtat, men diagnosen brukar fastställas med en EKG-undersökning. Det finns idag flertalet algoritmer för att detektera arytmin genom att analysera ett EKG. En av de vanligaste metoderna är att undersöka variabiliteten av hjärtrytmen (HRV) och utföra olika sorters statistiska beräkningar som kan upptäcka episoder av förmaksflimmer som avviker från en normal sinusrytm. I detta projekt har två metoder för att detektera förmaksflimmer utvärderats i Matlab, en baseras på beräkningar av variationskoefficienten och den andra använder sig av logistisk regression. EKG som kommer från databasen Physionet MIT används för att träna och testa modeller av algoritmerna. Innan EKG-signalen kan användas måste den behandlas för att ta bort olika typer av brus och artefakter. Vid test av algoritmen med variationskoefficienten blev resultatet en sensitivitet på 91,38%, en specificitet på 93,93% och en noggrannhet på 92,92%. För logistisk regression blev sensitiviteten 97,23%, specificiteten 93,79% och noggrannheten 95,39%. Algoritmen med logistisk regression presterade bättre och valdes därför för att implementeras i Java, där uppnåddes en sensitivitet på 91,31%, en specificitet på 93,47% och en noggrannhet på 95,25%. Atrial Fibrillation AF Detection algorithm AF detection Algorithm evaluation Matlab Java Electrocardiogram ECG Heart rate variability HRV Signal processing Pre processing Noise reduction Baseline wander powerline interference wavelet transform DWT R-peak detection Pan-tompkins HRV cleaning Feature selection U-test SDANN SDNN CV RMSSD PNN50 TINN LF HF Logistic regression CV algorithm Receiver operating characteristics ROC Classification Confusion matrix Leave-one-out cross validation Statgraphics Förmaksflimmer detekteringsalgoritm evaluering Matlab Java elektrokardiogram EKG Hjärtfrekvens variabilitet Signalbehandling Brusreducering Logistisk regression Variationskoefficient Klassificering Medical Engineering Medicinteknik

Search results

Automatická detekce ischemie v EKG / Automatic detection of ischemia in ECG

Atrial Fibrillation Detection Algorithm Evaluation and Implementation in Java / Utvärdering av algoritmer för detektion av förmaksflimmer samt implementation i Java