Zpracování signálů z inerciálních sensorů za účelem stanovení míry tremoru

Abstract

Práce se zabývá možným využitím inerciálních senzorů v oblasti diagnostiky pacientů s Roztroušenou sklerózou (RS). Cílem práce je nalezení efektivních parametrů signálů z inerciálních senzorů a vhodných klasifikačních metod pro rozlišení tremoru u pacientů s RS a fyziologického tremoru u zdravých jedinců. Měření probíhala pomocí akcelerometru a gyroskopu umístěných postupně na obou horních končetinách se zavřenýma a otevřenýma očima. Zpracování signálů a analýza jednotlivých metod proběhla v programu MATLAB. Ke klasifikaci byly použity algoritmy K-means, K-nejbližších sousedů (K-NN), Support vector machines (SVM) a naivní Bayesův klasifikátor. Všechny metody byly testovány na skupině dobrovolníků složené z 16 pacientů trpících RS a 18 zdravých jedinců. K vyhodnocení klasifikace byla použita 5-fold křížová validace. Celkové přesnosti klasifikace až 91 % dosáhl algoritmus SVM s dvojicí parametrů složené z výkonové spektrální hustoty (PSD) v hodnotě frekvence 7 Hz z měření pravé ruky se zavřenýma očima s kumulativní hodnotou PSD ve fixním pásmu 0-4 Hz z měření levé ruky s otevřenýma očima. Stejné přesnosti dosáhl i naivní Bayesův klasifikátor s hodnotami parametrů rozsahu signálu z měření levé ruky s otevřenýma očima a PSD v hodnotě frekvence 7 Hz z měření pravé ruky se zavřenýma očima. V obou případech se jednalo o parametry získané ze signálů gyroskopu. Algoritmy K-NN a K-means dosahovaly nižších přesností. Dále bylo zjištěno, že data gyroskopu poskytují při klasifikaci tremoru lepší výsledky než data akcelerometru.

This work explores the possible use of inertial sensors in diagnosing patients with Multiple Sclerosis (MS). The work aims to find effective parameters of signals from inertial sensors and suitable classification methods for distinguishing tremor in patients with MS from physiological tremor in healthy individuals. Measurements were performed using an accelerometer and a gyroscope placed sequentially on both upper limbs with eyes closed and eyes open. Signal processing and analysis of individual methods took place in the MATLAB program. K-means, K-nearest neighbors (K-NN), Support vector machines (SVM) and Naive Bayes classifier algorithms were used for classification. All methods were tested on a group of volunteers consisting of 16 patients suffering from MS and 18 healthy individuals. 5-fold cross-validation was used to evaluate the classification. The classification accuracy of up to 91 % was achieved by the SVM algorithm with a pair of parameters consisting of the Power spectral density (PSD) at a frequency of 7 Hz from measurement of the right hand with eyes closed with a cumulative value of PSD in a fixed band of 0-4 Hz from measurement of the left hand with eyes open. The same accuracy was achieved by the Naive Bayes classifier with parameter values of the signal range from measurement of the left hand with eyes open and PSD at a frequency of 7 Hz from measurement of the right hand with eyes closed. In both cases, these were parameters obtained from gyroscope signals. The K-NN and K-means algorithms achieved lower accuracies. Furthermore, gyroscope data was found to provide better tremor classification results than accelerometer data.