| |
| |
|
Reference v intrakraniálním EEG: implementace a analýza
Uher, Daniel ; Hejč, Jakub (oponent) ; Ronzhina, Marina (vedoucí práce)
PĹ™edstava záznamu mozkovĂ© aktivity bez zkreslujĂcĂch artefaktĹŻ koluje ve vÄ›deckĂ˝ch kruzĂch jiĹľ nÄ›kolik desĂtek let. ParazitnĂ jevy a nežádoucĂ sloĹľky dokážà vĂ˝raznÄ› komplikovat analĂ˝zu pacientskĂ©ho záznamu intrakraniálnĂho elektroencefalografu (iEEG). S nástupem modernĂ technologie však zaÄŤaly pĹ™ibĂ˝vat novĂ© metody pro preciznĂ odstranÄ›nĂ zkreslujĂcĂho šumu. Zde nastupuje koncept virtuálnĂch referenÄŤnĂch signálĹŻ, jakoĹľto nástroj pro eliminaci nežádoucĂch komponent. V tĂ©to práci, metoda zaloĹľená na prĹŻmÄ›rovánĂ spolu s modernÄ›jšĂmi metodami zaloĹľenĂ˝ch na analĂ˝ze nezávislĂ˝ch komponent (ICA) byly realizovány a testovány na rĹŻznĂ˝ch iEEG záznamech. Bylo zjištÄ›no, Ĺľe algoritmy zaloĹľenĂ© na ICA umoĹľĹujĂ lepšà a pĹ™esnÄ›jšà odhad referenÄŤnĂho signálu v porovnánĂ s prĹŻmÄ›rovacĂ metodou. Na závÄ›r byly všechny navrĹľenĂ© metody implementovány do open-source Python knihovny đť‘źđť‘’đť‘“đť‘ đť‘–đť‘”, která je veĹ™ejnÄ› dostupná, jednoduše instalovatelná a pĹ™ipravena k pouĹľitĂ.
|
|
Reference Signals In Intracranial Eeg:
Implementation And Analysis
Uher, Daniel
The idea of an artifact-free brain activity recording has been circling around the scientific world for a few decades. Noise present in brain activity recordings may complicate the process of evaluation and interpretation. For the elimination of such unwanted components, the concept of virtual reference signals is usually used. In this work, the algorithms for reference signal estimation using common average-based method as well as more recent methods based on independent component analysis (ICA) were realized and evaluated on a new set of real clinical data. It was found that the ICA-based algorithms allow obtaining more accurate estimation of the reference signal as compared to the average-based one. Finally, all the methods were implemented into a free installable Python toolbox, which will be publicly available after additional testing on real data.
|
|
Reference v intrakraniálním EEG: implementace a analýza
Uher, Daniel ; Hejč, Jakub (oponent) ; Ronzhina, Marina (vedoucí práce)
PĹ™edstava záznamu mozkovĂ© aktivity bez zkreslujĂcĂch artefaktĹŻ koluje ve vÄ›deckĂ˝ch kruzĂch jiĹľ nÄ›kolik desĂtek let. ParazitnĂ jevy a nežádoucĂ sloĹľky dokážà vĂ˝raznÄ› komplikovat analĂ˝zu pacientskĂ©ho záznamu intrakraniálnĂho elektroencefalografu (iEEG). S nástupem modernĂ technologie však zaÄŤaly pĹ™ibĂ˝vat novĂ© metody pro preciznĂ odstranÄ›nĂ zkreslujĂcĂho šumu. Zde nastupuje koncept virtuálnĂch referenÄŤnĂch signálĹŻ, jakoĹľto nástroj pro eliminaci nežádoucĂch komponent. V tĂ©to práci, metoda zaloĹľená na prĹŻmÄ›rovánĂ spolu s modernÄ›jšĂmi metodami zaloĹľenĂ˝ch na analĂ˝ze nezávislĂ˝ch komponent (ICA) byly realizovány a testovány na rĹŻznĂ˝ch iEEG záznamech. Bylo zjištÄ›no, Ĺľe algoritmy zaloĹľenĂ© na ICA umoĹľĹujĂ lepšà a pĹ™esnÄ›jšà odhad referenÄŤnĂho signálu v porovnánĂ s prĹŻmÄ›rovacĂ metodou. Na závÄ›r byly všechny navrĹľenĂ© metody implementovány do open-source Python knihovny đť‘źđť‘’đť‘“đť‘ đť‘–đť‘”, která je veĹ™ejnÄ› dostupná, jednoduše instalovatelná a pĹ™ipravena k pouĹľitĂ.
|
| |
| |