Zpracování signálů z inerciálních sensorů za účelem stanovení míry tremoru

Abstract

Tremor (třes) je mimovolný rytmický oscilační pohyb jedné, či více částí těla, který je častým příznakem pacientů s roztroušenou sklerózou. Často má na jejich běžný život velmi negativní vliv. Tato práce se zaměřuje na využití akcelerometrických a gyroskopických záznamů posturálního tremoru horních končetin z dodané signálové databáze za účelem stanovení míry tremoru pacientů a jejich případnou klasifikací. Databáze obsahovala skupinu 16 pacientů trpících roztroušenou sklerózou a skupinu 18 kontrolních probandů, kteří netrpěli žádnou neurologickou chorobou. Pro klasifikaci byly využity různé modely neuronových sítí, které analyzovaly výkonovou spektrální hustotu signálů. Byla navržena řada modelů plně propojených, konvolučních a rekurentních neuronových sítí implementovaných s využitím knihovny pytorch v programovacím jazyce Python. Obecně nejlepších výsledků dosahovaly sítě konvoluční. Naopak plně propojené sítě dopadaly nejhůře, nejspíše z důvodu malého množství trénovacích dat. Nejlepším navrženým modelem byl model pojmenovaný CNN-3, který na validační množině dosáhl hodnot recall 100 % a precision 89 %.Tremor is an involuntary rhythmic oscillatory movement of one or more parts of the body, which is a common symptom in patients with multiple sclerosis. It can also be one of the most disabling features. This thesis aims to use accelerometric and gyroscopic measurements of postural tremor of the upper limbs from a provided signal database in order to determine the degree of tremor and classify the patient. The used database contained measurements of a group of 16 patients suffering from multiple sclerosis and a group of 18 control probands, that did not suffer from any neurological disease. For the classification, different neural network model were proposed, all of which used the power spectral density of the provided signals. The proposed models include fully-connected, convolutional and recurrent neural network models, that were implemented using the pytorch library in the Python programming language. Generally convolutional networks were the best performing. On the other side the fully-connected networks showed the worst results, probably due to the small size of the training dataset. The best proposed model was the one named CNN-3, which managed to reach a recall of 100 % and a precision of 89 % on the validation dataset.