Návrh metodiky automatizované klasifikace EEG signálu s využitím adaptivní segmentace
Metodology proposal for EEG automated signal classification with adaptive segmentation
Typ dokumentu
diplomová prácemaster thesis
Autor
Jaromír Chaloupek
Vedoucí práce
Šebek Jakub
Oponent práce
Lepková Kamila
Studijní program
Biomedicínské inženýrstvíInstituce přidělující hodnost
katedra biomedicínské technikyObhájeno
2023-06-19Práva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Vizuální vyhodnocování EEG záznamu kontaminovaného různými druhy artefaktů je v zásadě ve všech oblastech (klinických i komerčních) časově velmi náročným a vyčerpávajícím úkolem. Proto stále přetrvává snaha o vytvoření automatizovaného systému, který by svým příspěvkem urychlil a zefektivnil práci specialistů. Prvním nezbytným krokem takového systému je efektivní adaptivní segmentace. Výsledkem této práce je návrh nové metodiky adaptivní segmentace EEG záznamu, která využívá k dosažení finálního výsledku segmentace kombinování výsledků analýz různě dlouhých oken, ve kterých jsou prováděny analýzy v časové a frekvenční oblasti signálu. Celý algoritmus navržené adaptivní segmentace je založen na individuální definici běžné činnosti mozku. Navržená metoda byla realizována v programovém prostředí MATLAB 2022a, ve kterém vykazovala hladký průběh s nízkou náročností na výpočetní výkon. Následně byla vyhodnocena skrze výkonnostní metriky Index/Score a Přesnost. Při testu na různých typech simulovaných dat dosáhla metoda hodnot přesnosti přes 90 % v obou metrikách průměrně v 15 z 32 testovaných nastavení. Při testu na anotovaných reálných datech z databáze Temple University Hospital dosáhlo 92 z 240 testovaných nastavení v obou metrikách hodnot přesnosti přes 90 % úspěšnosti. V rámci práce byly navrženy příznaky pro metody založené na kooperaci s UI, které by měly přispět k další optimalizaci nastavení parametrů navržené metody adaptivní segmentace a dále pak pro navazující úkol klasifikace získaných segmentů. Visual evaluation of an EEG recording contaminated with various types of artifacts is basically a very time-consuming and exhausting task in all areas (clinical and commercial), therefore there is still an ongoing effort to create an automated system that would speed up and make the work of specialists more efficient with its contribution. The first necessary step of such a system is effective adaptive segmentation. The result of this work is a proposal of a new methodology of adaptive segmentation of the EEG recording, which to achieve the result uses combining of the results of analyses with windows of different lengths, in which analyzes are performed in the time and frequency domain of the signal. The entire algorithm of the proposed adaptive segmentation is based on an individual definition of normal brain activity. The proposed method was implemented in the MATLAB 2022a program environment, in which showed a smooth progress with a low demand on computing power and subsequently evaluated through the Index/Score and Accuracy metrics. When tested on different types of simulated data, the method achieved values over 90% in both metrics in 15 out of 32 settings tested. When tested on annotated real data (Temple University Hospital), 92 out of 240 tested settings achieved over 90% success rates in both metrics. As part of the work, features were proposed for methods based on cooperation with UI, which should serve to further optimize the parameter settings of the proposed adaptive segmentation method and then for the subsequent task of classifying the obtained segments.
Kolekce
- Diplomové práce - 17110 [1011]