ČVUT DSpace
  • Search DSpace
  • Čeština
  • Login
  • Čeština
  • Čeština
View Item 
  •   ČVUT DSpace
  • Czech Technical University in Prague
  • Faculty of Electrical Engineering
  • Department of Circuit Theory
  • Master Theses - 13131
  • View Item
  • Czech Technical University in Prague
  • Faculty of Electrical Engineering
  • Department of Circuit Theory
  • Master Theses - 13131
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Metody a nástroje pro detekci artefaktů v mikroelektrodových záznamech

Methods for Artifact Detection in Microelectrode Recordings

Type of document
diplomová práce
master thesis
Author
Pavla Mašková
Supervisor
Bakštein Eduard
Opponent
Klempíř Ondřej
Field of study
Zpracování signálů
Study program
Lékařská elektronika a bioinformatika
Institutions assigning rank
katedra teorie obvodů



Rights
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.html
Vysokoškolská 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
Show full item record
Abstract
Mikroelektrodové záznamy (MER) představují základní nástroj v klinické i experimentální neurovědě, neboť umožňují detailní sledování neuronální aktivity s vysokým časovým a prostorovým rozlišením. V klinické praxi, například během hluboké mozkové stimulace (DBS) u pacientů s pokročilou Parkinsonovou chorobou, slouží MER jako zásadní zdroj intraoperačních informací pro přesné zacílení a umístění stimulační elektrody. Tyto záznamy však bývají často kontaminovány artefakty mechanickým rušením (POW), posunem základní linie (BASE) a elektromagnetickým šumem (FREQ) což ztěžuje jak klinickou interpretaci, tak automatizovanou analýzu. Tato práce představuje metodu pro vícenásobnou (multilabel) klasifikaci těchto artefaktů s možností individuálního nastavení citlivosti pro jednotlivé typy. Pro trénování, validaci a testování modelů bylo využito deset hodin ručně anotovaných dat z centra v Praze. Obecnost navržené metody byla ověřena na téměř čtyřech hodinách dosud neviděných dat ze tří externích center: Brno, Olomouc a Bratislava. Byly vytvořeny tři binární klasifikátory, z nichž každý detekoval jeden typ artefaktu (POW, BASE nebo FREQ) oproti čistým segmentům. K původní sadě 18 spektrálních příznaků bylo navrženo 13 nových příznaků, převážně z časové domény, následovaných výběrem nejvhodnějších příznaků pomocí sekvenční metody. Byly implementovány a porovnány dva klasifikační přístupy: Support Vector Machines (SVM) s jádrem typu RBF a obousměrné neuronové sítě typu Long ShortTerm Memory (biLSTM). Nerovnováha tříd byla řešena podvzorkováním u SVM a váženou ztrátovou funkcí u LSTM. Na datech z Prahy dosáhly SVM klasifikátory vysokých hodnot AUC-ROC: 98,4% pro BASE, 90,6% pro FREQ a 92,4% pro POW. Přestože se očekávalo, že modely LSTM lépe využijí časové souvislosti, jejich přínos se projevil především v plynulejších precision-recall křivkách; celkově však SVM vykázaly lepší výkonnost. Na externích datech došlo k mírnému poklesu přesnosti, ale oba přístupy potvrdily dobrou schopnost zobecnění, což dokládá jejich potenciál pro praktické klinické nasazení.
 
Microelectrode recordings (MERs) are a fundamental tool in both clinical and experimental neuroscience, offering high-resolution insights into neuronal activity. In clinical settings such as deep brain stimulation (DBS) for advanced Parkinsons disease, MERs provide critical intraoperative signals for precise electrode placement. However, MERs are frequently contaminated by artifacts mechanical disturbances (POW), baseline shifts (BASE), and electromagnetic interference (FREQ) which hinder both clinical interpretation and automated analysis. This thesis presents a method for multilabel classification of these artifact types, including tunable sensitivity settings. Ten hours of manually annotated data from the Prague center were used for training, validation, and testing, supplemented by nearly four hours of unseen data from additional centers in Brno, Olomouc, and Bratislava to evaluate generalizability. Three binary classifiers were developed, each distinguishing one artifact type POW, BASE, or FREQ from clean signals. In total, 13 new time-domain features were engineered to complement an existing set of 18 spectral descriptors, followed by feature selection. Two classifiers were implemented and compared: Support Vector Machines (SVM) with a radial basis function kernel and bidirectional Long Short-Term Memory (biLSTM) networks. Class imbalance was addressed using undersampling for SVMs and weighted loss functions for LSTMs. On the Prague dataset, SVMs achieved strong AUC-ROC values: 98.4% for BASE, 90.6% for FREQ, and 92.4% for POW. While LSTM models were expected to leverage temporal patterns, they showed slightly better precision-recall curve shapes; however, SVMs generally outperformed them in overall performance. On the external datasets, both sets of classifiers demonstrated solid generalization despite an expected performance drop, supporting their clinical applicability.
 
URI
http://hdl.handle.net/10467/123162
View/Open
PLNY_TEXT (3.654Mb)
PRILOHA (249.9Kb)
POSUDEK (220.3Kb)
POSUDEK (1008.Kb)
Collections
  • Diplomové práce - 13131 [213]

České vysoké učení technické v Praze copyright © 2016 

DSpace software copyright © 2002-2016  Duraspace

Contact Us | Send Feedback
Theme by 
@mire NV
 

 

Useful links

CTU in PragueCentral library of CTUAbout CTU Digital LibraryResourcesStudy and library skillsResearch support

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

My Account

Login

České vysoké učení technické v Praze copyright © 2016 

DSpace software copyright © 2002-2016  Duraspace

Contact Us | Send Feedback
Theme by 
@mire NV