Application of Neural Networks in Cardiovascular Load Analysis

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F26%3A0198302" target="_blank" >RIV/00216305:26220/26:0198302 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.eeict.cz/eeict_download/archiv/sborniky/EEICT_2025_sbornik_1.pdf" target="_blank" >https://www.eeict.cz/eeict_download/archiv/sborniky/EEICT_2025_sbornik_1.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Application of Neural Networks in Cardiovascular Load Analysis

Popis výsledku v původním jazyce

This study investigates deep learning models for estimating aerobic (AeT) and anaerobic (AnT) thresholds using heart rate variability (HRV) analysis. Two CNN-LSTM architectures were developed: one predicting AeT and AnT values directly and another using signal delineation for enhanced threshold identification. The models were trained on HRV data from 119 subjects performing treadmill or cycle ergometer tests, with DFA alpha 1 used for threshold estimation. Performance evaluation showed an MAE of 4.67 bpm for AeT and 4.70 bpm for AnT in the first model, while the second model achieved 6.47 bpm for AeT and 3.15 bpm for AnT. Both models outperformed traditional DFA a1-based methods, with the second model demonstrating greater consistency in AnT detection. These results highlight the potential of deep learning for non-invasive en

Název v anglickém jazyce

Application of Neural Networks in Cardiovascular Load Analysis

Popis výsledku anglicky

This study investigates deep learning models for estimating aerobic (AeT) and anaerobic (AnT) thresholds using heart rate variability (HRV) analysis. Two CNN-LSTM architectures were developed: one predicting AeT and AnT values directly and another using signal delineation for enhanced threshold identification. The models were trained on HRV data from 119 subjects performing treadmill or cycle ergometer tests, with DFA alpha 1 used for threshold estimation. Performance evaluation showed an MAE of 4.67 bpm for AeT and 4.70 bpm for AnT in the first model, while the second model achieved 6.47 bpm for AeT and 3.15 bpm for AnT. Both models outperformed traditional DFA a1-based methods, with the second model demonstrating greater consistency in AnT detection. These results highlight the potential of deep learning for non-invasive en

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20601 - Medical engineering

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings I of the 31st Conference STUDENT EEICT 2025

ISBN

978-80-214-6321-9

ISSN

—

e-ISSN

—

Počet stran výsledku

4

Strana od-do

95-98

Název nakladatele

—

Místo vydání

—

Místo konání akce

Brno

Datum konání akce

29. 4. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—