|
|
Adaptivní číslicová filtrace biologických signálů
Ištok, Martin ; Kozumplík, Jiří (oponent) ; Provazník, Ivo (vedoucí práce)
Hlavním cílem této bakalářské práce je popsat adaptivní číslicovou filtraci a zároveň popsat různé druhy adaptačních algoritmů a adaptivních filtrů. Adaptivní systém je použit pro odstranění síťového rušení ze signálu EKG. Práce obsahuje návrh 4 druhů adaptivních filtrů: prostého adaptivního filtru, jednoduché úzkopásmové adaptivní zádrže, úzkopásmové adaptivní zádrže s číslicovým rezonátorem a úzkopásmové zádrže s adaptivním rezonátorem. Také obsahuje základní experimenty s různým nastavením jejich parametrů, které jsou také vyhodnoceny.
|
|
|
Lineární a adaptivní filtry pro signály EKG
Kubát, Milan ; Lamoš, Martin (oponent) ; Kozumplík, Jiří (vedoucí práce)
V této práci se zabývám potlačením síťového rušení EKG signálu pomocí lineárních a adaptivních filtrů. Toto spadá do oblasti předzpracování. Cílem je vhodně filtrovat signál za současného zachování jeho diagnostické hodnoty. Navrhnul jsem filtry využívající nulování spektrálních čar, filtry Lynnova typu a dva typy adaptivního filtru. V další části jsou výsledky při použití různých filtrů porovnány z hlediska úspěšnosti filtrace.
|
|
|
Exploring Brain Network Connectivity through Hemodynamic Modeling
Havlíček, Martin ; Hluštík, Petr (oponent) ; Šmídl,, Václav (oponent) ; Jan, Jiří (vedoucí práce)
Functional magnetic resonance imaging (fMRI) utilizing the blood-oxygen-level-dependent (BOLD) effect as an indicator of local activity is a very useful technique to identify brain regions that are active during perception, cognition, action, and also during rest. Currently, there is a growing interest to study connectivity between different brain regions, particularly in the resting-state. This thesis introduces a new and original approach to problem of indirect relationship between observed hemodynamic response and its cause represented by neuronal signal, as this indirect relationship complicates the estimation of effective connectivity (causal influence) between different brain regions from fMRI data. The novelty of this approach is in (generalized nonlinear) blind-deconvolution technique that allows estimation of the endogenous neuronal signals (system inputs) from measured hemodynamic responses (system outputs). Thus, it enables a fully data-driven evaluation of effective connectivity on neuronal level, even though only fMRI hemodynamic responses are observed. The solution to this difficult deconvolution (model inversion) problem is obtained through a nonlinear recursive Bayesian estimation framework for joint estimation of hidden model states and parameters. This thesis is divided into three main parts. The first part proposes a method to solve the above mentioned inversion problem. The method uses a square-root form of a nonlinear cubature Kalman filtering and cubature Rauch-Tung-Striebel smoothing extended to a joint estimation problem defined as a simultaneous estimation of states and parameters in a sequential manner. The method is designed particularly for continuous-discrete systems and obtains an accurate and stable solution to model discretization by combining nonlinear (cubature) filtering with local linearization. Moreover, the inversion method is equipped with the adaptive estimation of measurement, state, and parameter noise statistics. The first part of the thesis is focused only on the single time course model inversion; i.e. estimation of neuronal signal from fMRI signal. The second part generalizes the proposed approach and applies it to multiple fMRI time courses in order to enable the estimation of coupling parameters of a neuronal interaction model; i.e. estimation of effective connectivity. This method represents a novel stochastic treatment of dynamic causal modeling, which makes it distinct from any previously introduced approach. The second part also deals with methods for Bayesian model selection and proposes a technique for detection of irrelevant connectivity parameters to achieve improved performance of parameter estimation. Finally, the third part provides a validation of the proposed approach by using both simulated and empirical fMRI data, and demonstrates robust and very good performance.
|
|
|
Adaptivní filtrace biologických signálů
Šmíd, Karel ; Kozumplík, Jiří (oponent) ; Provazník, Ivo (vedoucí práce)
Cílem této diplomové práce bylo seznámit se s problematikou metod adaptivní filtrace a jejich využití pro potlačení rušení v biologických signálech. Adaptivní filtrace představuje efektivní způsob potlačení parazitního nestacionárního rušení v užitečném signálu. Úkolem bylo navrhnout různé typy adaptivních filtrů a realizovat algoritmus adaptace v programovém prostředí Matlab. Konkrétně se jednalo o potlačení síťového rušení v EKG signálech o kmitočtu 50 Hz a 100 Hz s minimalizací porušení užitečné složky. Realizované filtry byly ověřeny na reálných EKG signálech a byla vyhodnocena jejich účinnost.
|
|
|
Filtrace signálů EKG
Slezák, Roman ; Kolář, Radim (oponent) ; Kozumplík, Jiří (vedoucí práce)
Cílem této diplomové práce bylo seznámit se s problematikou a možností potlačení úzkopásmových rušivých signálů v signálech EKG. Měli jsme se zaměřit na využití Lynnových filtrů. Úkolem bylo realizovat tyto filtry s ohledem na dosažení rychlých algoritmů odezvy v programovém prostředí Matlab. Konkrétně pro potlačení driftu jsme měli realizovat rychlou horní propust s proměnnou mezní frekvencí. Dále jsme měli realizovat filtr pro potlačení síťového rušení. Filtry jsme realizovali pro vzorkovací frekvence 250 a 500 Hz a vyzkoušeli na reálných EKG signálech a poté vyhodnotili jejich účinnost.
|
|
| |
|
|
Úzkopásmová filtrace signálů EKG
Ryšánek, Jan ; Provazník, Ivo (oponent) ; Kozumplík, Jiří (vedoucí práce)
Tato práce se zabývá předzpracováním EKG signálu. Účelem předzpracování je taková úprava signálu, která je výhodnější pro jeho následnou analýzu. Cílem práce je filtrovat EKG signál vhodnými metodami lineární a adaptivní filtrace vedoucích k potlačení nežádoucího rušení. Dalším krokem je porovnání různého stupně úspěšnosti filtrace dle dosažených výsledků jednotlivými metodami. Kritéria úspěšnosti filtrace vychází ze základních požadavků na číslicové filtry. Návrh filtrů je realizován v programovém prostředí matlab. K realizaci je využito filtrů typu FIR, IIR a dvou typů filtrů adaptivních.
|
|
|
Potlačení síťového rušení v signálech EKG
Gregorová, Kateřina ; Vítek, Martin (oponent) ; Kozumplík, Jiří (vedoucí práce)
Tato práce zahrnuje přehled jednotlivých metod filtrace EKG signálu, které potlačují síťové rušení. Zaměřuje se na parametry ovlivňující kvalitu filtrace u tří hlavních skupin filtrů: FIR, IIR a adaptivní filtry. Hlavní podstatou je vyhodnocení navržených metod z hlediska kvality filtrace. Tato kvalita je hodnocena průměrným výstupním SNR, směrodatnou odchylkou a dobou filtrace. Kritéria úspěšnosti filtrace vychází ze základních požadavků na číslicové filtry. Návrh filtrů je realizován v programovém prostředí Matlab.
|
|
|
Artefacts Removal from Brain EEG Signals Using Adaptive Algorithms
Hatala, Juraj ; Jawed, Soyiba (oponent) ; Shakil, Sadia (vedoucí práce)
This thesis covers the problem of artifacts in electroencephalography (EEG) data and the methods used to remove them with a focus on adaptive filtering. Artifacts are an unavoid- able part of the EEG method and they have a negative impact on the analysis of the results by covering the brain signals of interest. Adaptive filtering is a versatile method that can be used for removal of these artifacts if the reference signal correlated with the artifact is pro- vided. The primary goal of this thesis is a proposal and implementation of the framework that can be used to apply methods of adaptive filtering on EEG data. The secondary goal is to examine the effectiveness of a novel Q-LMS algorithm on the task of removal of artifacts from EEG as it was not yet used in this scenario. The work is introducing a library in a Python environment for EEG adaptive filtering and shows and evaluates experiments for EEG artifact removal scenarios with a Q-LMS filter implemented in the proposed library. In this library, a user is able to construct customizable filtering pipelines. The library of- fers a variety of adaptive filters and reference-building methods with a focus on processing neurological data in BIDS format. However, the user is able to share his custom filters with the framework as well as use his own input data and reference signals. The experiments with Q-LMS showed that it is a well-functioning adaptive algorithm yet the filtering results were moderate in contrast to results obtained by other standard adaptive algorithms.
|
|
| |
host ::
RSS.