Detekce pohybových aktivit měřených EKG holterem s akcelerometry

Abstract

Tato diplomová práce se zaměřuje na detekci pohybových aktivit na základě dat měřených EKG holterem rozšířeným o akcelerometry. Byla provedena literární rešerše zaměřená na technologie detekce pohybu a metody klasifikace pohybových aktivit. Pro rozpoznávání chůze, běhu, sedu a lehu byly navrženy a implementovány modely konvolučních a rekurentních neuronových sítí. Výsledky byly vyhodnoceny na cvičném datasetu a následně ověřeny na reálných datech poskytnutých společností BTL. Součástí práce je také vývoj softwarové aplikace pro nahrávání, zpracování a vizuální inspekci dat. V průběhu testování byly identifikovány a vyhodnoceny faktory ovlivňující kvalitu detekce.

This thesis focuses on the detection of movement activities based on data measured by an ECG Holter device equipped with accelerometers. A literature review was carried out, examining technologies for motion detection and methods for classifying movement activities. Models of convolutional and recurrent neural networks were proposed and implemented to recognize walking, running, sitting, and lying down. The results were evaluated on a training dataset and subsequently validated using real-world data provided by the company BTL. Furthermore, a software application was developed for uploading, processing, and visual inspection of the data. During testing, factors affecting the quality of detection were identified and assessed.