prikaz prve stranice dokumenta Metode za otkrivanje mikrovoltažnih elektrofizioloških potencijala srčanog mišića
  Preuzmi
PDF 4.79 MB
diplomski rad
Metode za otkrivanje mikrovoltažnih elektrofizioloških potencijala srčanog mišića
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2024. urn:nbn:hr:217:329335
Glogar, Ivan
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Fizički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Glogar, I. (2024). Metode za otkrivanje mikrovoltažnih elektrofizioloških potencijala srčanog mišića (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:329335

Glogar, Ivan. "Metode za otkrivanje mikrovoltažnih elektrofizioloških potencijala srčanog mišića." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:217:329335

Glogar, Ivan. "Metode za otkrivanje mikrovoltažnih elektrofizioloških potencijala srčanog mišića." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:217:329335

Glogar, I. (2024). 'Metode za otkrivanje mikrovoltažnih elektrofizioloških potencijala srčanog mišića', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 23.12.2024., https://urn.nsk.hr/urn:nbn:hr:217:329335

Glogar I. Metode za otkrivanje mikrovoltažnih elektrofizioloških potencijala srčanog mišića [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2024 [pristupljeno 23.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:329335

I. Glogar, "Metode za otkrivanje mikrovoltažnih elektrofizioloških potencijala srčanog mišića", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:329335

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:329335
Podaci o radu
NaslovMetode za otkrivanje mikrovoltažnih elektrofizioloških potencijala srčanog mišića
Naslov (engleski)Methods for detection of microvoltage electrophysiological potentials of the heart muscle
AutorIvan Glogar
MentorAndrej Novak (mentor)
Član povjerenstvaAndrej Novak (predsjednik povjerenstva)
Član povjerenstvaNenad Pavin (član povjerenstva)
Član povjerenstvaVedran Đerek (član povjerenstva)
Član povjerenstvaDanko Radić (član povjerenstva)
Član povjerenstvaMatko Glunčić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Fizički odsjek)
Zagreb
Datum i država obrane2024-02-26, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Fizika
Sažetak
Kasni ventrikulski potencijali su visokofrekventni, niskoamplitudni signalicija prisutnost u elektrokardiogramu (EKG) ima visoku prediktivnu vrijednost za potencijalno smrtonosne ventrikulske aritmije. U ovom radu implementiramo 3 metode detekcije takvih signala iz 80 EKG zapisa pacijenata porijeklom iz baze podataka PTB Diagnostic ECG Database. Metode uključuju široko prihvaćenu metodu usrednjenja po signalima (SAECG), analize marginalnih komponenti Guaragnella et al. (2019), te modele strojnog učenja temeljene na modelu stabla odluke. QRS komplekse EKG signala u fazi pretprocesiranja detektiramo po vrhu R vala, poravnavamo metodama ”Double-level” i ”Matched filter”, te filtriramo po sličnosti i frekvencijama signala. Koristimo EKG snimke zdravih pacijenata na koje umjetno dodajemo VLP signale na temelju njihovih utvrđenih karakteristika. U korištenju metoda SAECG i metode analize marginalnih komponenti nije ostvarena izrazito visoka točnost detekcije. S druge strane, vrijednost modela strojnog učenja leži u mogućnosti modela za detekciju skrivenih signala na temelju jednog srčanog ciklusa; ovdje, modeli pokazuju značajnu točnost detekcije, gdje najbolji model detektira tražene signale s točnošću od 98%.
Sažetak (engleski)
Ventricular late potentials are high-frequency, low-amplitude signals whose presence in the electrocardiogram (ECG) has high predictive value for potentially fatal ventricular arrhythmias. In this work, we implement three methods to detect such signals from 80 ECG recordings of patients from the PTB Diagnostic ECG Database. The methods include the widely accepted signal-averaged ECG (SAECG) method, the marginal component analysis method by Guaragnella et al. (2019), and machine learning models based od decision tree model. ECG signal beats are detected in the preprocessing phase by the peak of the R wave of the ECG, aligned using ’Double-level’ and ’Matched filter’ methods, and filtered by similarity and frequencies. We use ECG recordings of healthy patients to which we artificially add VLP signals based on their established characteristics. SAECG methods and marginal component analysis did not achieve very high detection accuracy. On the other hand, the value of machine learning models lies in their ability to detect hidden signals based on a single beat; here, the models show significant detection accuracy, with the best model detecting the desired signals with 98% accuracy.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:329335
Studijski programNaziv: Fizika; smjerovi: Istraživački
Smjer: Istraživački
Vrsta studija: sveučilišni
Stupanj studija: integrirani prijediplomski i diplomski
Akademski / stručni naziv: sveučilišni magistar fizike (univ. mag. phys.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2024-04-05 12:01:18