Detail publikace

Detekce syndromu spánkové apnoe ze záznamu dýchání pomocí nasálního senzoru

KRÁLÍK, M. KOZUMPLÍK, J. HESKO, B.

Originální název

Detekce syndromu spánkové apnoe ze záznamu dýchání pomocí nasálního senzoru

Český název

Detekce syndromu spánkové apnoe ze záznamu dýchání pomocí nasálního senzoru

Typ

článek v časopise - ostatní, Jost

Jazyk

cs

Originální abstrakt

Práce se zabývá využitím záznamů dýchání z nasálního senzoru pro automatickou detekci syndromu spánkové apnoe (SSA). Jako zdroj signálů je použita volně dostupná databáze Physionet. Pro detekci jsou použity záznamy od čtyř pacientů, u kterých jsou požadované signály dostupné. Srovnány jsou výsledky tří klasifikačních metod - metody podpůrných vektorů, umělých neuronových sítí a metody k-nejbližších sousedů. Pro použitá data dosáhla úspěšnost detekce ve všech případech vice než 90%

Český abstrakt

Práce se zabývá využitím záznamů dýchání z nasálního senzoru pro automatickou detekci syndromu spánkové apnoe (SSA). Jako zdroj signálů je použita volně dostupná databáze Physionet. Pro detekci jsou použity záznamy od čtyř pacientů, u kterých jsou požadované signály dostupné. Srovnány jsou výsledky tří klasifikačních metod - metody podpůrných vektorů, umělých neuronových sítí a metody k-nejbližších sousedů. Pro použitá data dosáhla úspěšnost detekce ve všech případech vice než 90%

Klíčová slova

spánková apnoe, nasální senzor, automatická klasifikace

Vydáno

31.10.2018

Nakladatel

Vysoké učení technické v Brně

Místo

Brno, Česká republika

Strany od

140

Strany do

145

Strany počet

6

URL

BibTex


@article{BUT150737,
  author="Martin {Králík} and Jiří {Kozumplík} and Branislav {Hesko}",
  title="Detekce syndromu spánkové apnoe ze záznamu dýchání pomocí nasálního senzoru",
  annote="Práce se zabývá využitím záznamů dýchání z nasálního senzoru pro automatickou detekci syndromu spánkové apnoe (SSA). Jako zdroj signálů je použita volně dostupná databáze Physionet. Pro detekci jsou použity záznamy od čtyř pacientů, u kterých jsou požadované signály dostupné. Srovnány jsou výsledky tří klasifikačních metod - metody podpůrných vektorů, umělých neuronových sítí a metody k-nejbližších sousedů. Pro použitá data dosáhla úspěšnost detekce ve všech případech vice než 90%",
  address="Vysoké učení technické v Brně",
  chapter="150737",
  howpublished="online",
  institution="Vysoké učení technické v Brně",
  number="5",
  volume="20",
  year="2018",
  month="october",
  pages="140--145",
  publisher="Vysoké učení technické v Brně",
  type="journal article - other"
}