V této bakalářské práci je řešena problematika automatické detekce extrasystol z fotopletysmografického (PPG) signálu pomocí metod strojového učení. Teoretická část práce se věnuje popisu srdeční činnosti, charakteristice síňových a komorových extrasystol a analýze diagnosticky významných rysů PPG signálu. Pro účely práce byla využita anotovaná data z databáze MIMIC a syntetický dataset odvozený z databáze CPSC2018 prostřednictvím PPG simulátoru.
Praktická část zahrnuje návrh a implementaci detektoru systolických pulzních vrcholů, morfologického filtru nadbytečných extrasystolických vln a pipeline pro onset-to-onset segmentaci a extrakci příznaků. Z původní sady 23 příznaků bylo na základě vizuální analýzy separability a korelační kontroly vybráno 13 příznaků pro modelování. Klasifikátor byl trénován výhradně na syntetickém datasetu a hodnocen na reálných pacientských datech, přičemž rozdělení probíhalo výhradně na úrovni pacientů s cílem zamezit úniku informace.
Klasifikační úloha byla formulována jako binární detekce extrasystol (třída ES oproti normálnímu rytmu). Pro klasifikaci byly porovnány tři algoritmy strojového učení: Random Forest, XGBoost a Support Vector Machine s RBF jádrem. Výběr optimální sady příznaků byl proveden ablační studií, hyperparametry byly laděny stratifikovanou skupinovou křížovou validací. Jako finální model byl zvolen Random Forest s příznakovou sadou šesti časových a amplitudových podílů, který dosahuje na testovacím setu F1-skóre 0,798, senzitivity 0,807 a specificity 0,994. V rámci post-hoc analýzy byl výkon modelu hodnocen zvlášť pro síňové a komorové extrasystoly. Senzitivita dosáhla 83,9 % pro síňové a 58,9 % pro komorové extrasystoly, přičemž nižší detekce komorových extrasystol odpovídá nedostatečnému morfologickému pokrytí tohoto typu arytmie v syntetickém trénovacím datasetu.