|
|
Klasifikace spánkových EEG
Holdova, Kamila ; Smital, Lukáš (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá aplikaci vlnkové transformace na analýzu spánkových elektroencefalogramů za účelem rozpoznávání spánkových fázi. Teoretická část diplomové práce se zabývá teorií vzniku EEG signálu a jeho analýzou. Dále je tu popsána diagnostická metoda polysomnografie (PSG), při které se zaznamenává současně více funkcí organismu, mezi základní funkce patří elektroencefalogram (EEG), elektromyogram (EMG) a elektrookulogram (EOG). Tato metoda slouží k diagnostice spánkových poruch, a proto je v projektu popsán spánek, spánkové fáze a poruchy spánku. V praktické části je k analýze EEG signálu použita diskrétní vlnková transformace (DWT) a byla zde použita mateřská vlnka Daubechies 4 „db4“a rozklad signálu na úroveň 7. Ke klasifikaci vzniklých dat byla použita dopředná neuronová síť se zpětným šířením chyby.
|
|
|
Automatická klasifikace spánkových fází
Schwanzer, Miroslav ; Kozumplík, Jiří (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá klasifikací spánkových fází na základě polysomnografických signálů. Pro vybrané signály byla provedena analýza a selekce příznaků v časové oblasti a ve frekvenční oblasti. Příznaky ke klasifikaci byly získány ze signálů EEG, EOG a EMG. Jako klasifikátory byly použity klasifikační modely typu K-NN, SVM, a umělé neuronové sítě. Úspěšnost klasifikace se liší podle použité metody a rozdělení skupin. Nejlepších výsledků dosahovala klasifikace mezi stavy bdělosti, fáze REM a N3, a to za pomoci neuronové sítě. Zde bylo dosaženo celkové úspěšnosti 93,1 %.
|
|
|
Automatická detekce grafoelementů ve spánkových signálech EEG
Balcarová, Anežka ; Ronzhina, Marina (oponent) ; Kozumplík, Jiří (vedoucí práce)
Tato práce je zaměřena na spánkový signál EEG, především na vyhledávání spánkových grafoelementů a dále také na zpracování signálu, které této segmentaci předchází. Jsou zde nastíněny charakteristiky spánkových grafoelementů, metody detekce spánkových grafoelementů a problémy spjaté s jejich klasifikací. Principy dvou vybraných metod detekce k-komplexu jsou vysvětleny a zpracovány v prostředí MATLAB. Výsledky automatické detekce K-komplexů pomocí vybraných metod jsou srovnány s výsledky klasifikace dvou expertů.
|
|
|
Metody detekce spánkových vřeten ze záznamů EEG
Matoušek, Šimon ; Mézl, Martin (oponent) ; Králík, Martin (vedoucí práce)
Tato bakalářská práce se zaměřuje na detekci spánkových vřeten v signálech EEG. V úvodní kapitole se zabývá signálem EEG, popisuje jeho jednotlivé součásti a přibližuje proces zaznamenávání signálu. Vysvětluje pojem spánkové vřeteno a objasňuje polysomnografii. V následující kapitole jsou formou rešerše shrnuty některé poznatky týkající se studií, jež zkoumaly a prakticky využívaly jednotlivé metody detekce spánkových vřeten. Kapitola praktické části práce je zaměřena na realizaci detektorů spánkových vřeten. Jsou aplikovány 3 různé varianty detekce, první detektor je založen na výpočtu hodnoty Teager - Kaiserova operátoru, druhý detektor užívá vlnkovou transformaci, třetí detektor je založen na principu nalezení obálky signálu. V závěru práce je porovnána úspěšnost těchto detektorů ve srovnání s jinými, dříve prováděnými studiemi. Nejvyšší úspěšnosti bylo dosaženo u detektoru založeném na výpočtu obálky signálu, kde senzitivita dosahovala 56,00 % a specificita 55,19 % a také u detektoru využívajícím vlnkové transformace, kde senzitivita činila 81,22 % a specificita 46,15 %.
|
|
|
K-complex detection in sleep EEG
Bjelová, Martina ; Mézl, Martin (oponent) ; Králík, Martin (vedoucí práce)
This paper addresses detecting of K-complexes in sleeping EEG records. Polysomnography is the method, which is used for diagnostic and following therapy of many sleep disorders. For identifnging of sleep stages it is fundamental to know graphoelements, in which they are situate. K-complex is important indicator of second sleep stange and hence is essencial to know to detect this pattern. In this paper we focus on design and implementation of more algorithms for detection of these patterns with various characteristics. Among the proposed methods, the wavelet transform method was best evaluated. Performance of this detection reached values the average senzitivity 63,83 % and average positive predictive value 44,07 %.
|
|
|
Sleep dynamics analysis using electrophysiological features
Lampert, Frederik ; Janoušek, Oto (oponent) ; Mívalt, Filip (vedoucí práce)
This thesis concerns with sleep assessment methods using electrophysiological features without the availability of annotations in the form of hypnograms. Sleep evaluation using polysomnographic (PSG) data is time-consuming process, that requires trained personnel and is usually done in a hospital environment. Novel implantable neural devices capable of continuous data recording and streaming open up possibilities of longitudinal and continual monitoring of sleep activity in a home environment for patients with neural diseases. Current state-of-the-art methods for longitudinal sleep analysis utilizes automated intracranial electroencephalography (iEEG) sleep classifiers developed and validated using clinical gold-standard PSG annotations. However, PSG is not always feasible to perform which leads to the necessity for a sleep assessment method, which could analyse sleep using electrophysiological features without the availability of goldstandard PSG annotations generally from a small number of electrodes. For this purpose a novel sleep assessment method was developed, which evaluates sleep based on the power of electroencephalographic (EEG) signal in the spectral bands with employment of the metrics called Power in Band (PIB) metrics. In this work power in the delta band (0.5-4 Hz) was used, as it has the highest amplitude among all of the bands and is the most prominent during the non-REM sleep states, therefore giving the most relevant information about the composition of sleep during the night. Moreover, standard hypnogram-based metrics were introduced for the purpose of the PIB metrics validation. These metrics were incorporated into (Python) programming language and applied on two publicly-available datasets Dreem Open Dataset-Healthy (DOD-H) and Dreem Open Dataset-Obstructive (DOD-O) containing polysomnographic recordings of 25 healthy subjects (DOD-H) and 56 subjects suffering from obstructive sleep apnea (OSA) (DODO dataset). The results of the analysis were evaluated by visual analysis in terms of boxplots, correlation matrices and statistical tests. From the results, it is possible to assume, that proposed PIB metrics have the ability to differentiate between physiologic and pathophysiologic sleep, although their ability to discriminate between some aspects differs from the metrics based on the hypnogram annotations. This implies the fact, that PIB metrics do not substitute the standard hypnogram-based metric, but rather provide different perspective on the sleep assessment.
|
|
|
Metody detekce spánkových vřeten ze záznamů EEG
Matoušek, Šimon ; Mézl, Martin (oponent) ; Králík, Martin (vedoucí práce)
Tato bakalářská práce se zaměřuje na detekci spánkových vřeten v signálech EEG. V úvodní kapitole se zabývá signálem EEG, popisuje jeho jednotlivé součásti a přibližuje proces zaznamenávání signálu. Vysvětluje pojem spánkové vřeteno a objasňuje polysomnografii. V následující kapitole jsou formou rešerše shrnuty některé poznatky týkající se studií, jež zkoumaly a prakticky využívaly jednotlivé metody detekce spánkových vřeten. Kapitola praktické části práce je zaměřena na realizaci detektorů spánkových vřeten. Jsou aplikovány 3 různé varianty detekce, první detektor je založen na výpočtu hodnoty Teager - Kaiserova operátoru, druhý detektor užívá vlnkovou transformaci, třetí detektor je založen na principu nalezení obálky signálu. V závěru práce je porovnána úspěšnost těchto detektorů ve srovnání s jinými, dříve prováděnými studiemi. Nejvyšší úspěšnosti bylo dosaženo u detektoru založeném na výpočtu obálky signálu, kde senzitivita dosahovala 56,00 % a specificita 55,19 % a také u detektoru využívajícím vlnkové transformace, kde senzitivita činila 81,22 % a specificita 46,15 %.
|
|
|
Automatická klasifikace spánkových fází
Schwanzer, Miroslav ; Kozumplík, Jiří (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá klasifikací spánkových fází na základě polysomnografických signálů. Pro vybrané signály byla provedena analýza a selekce příznaků v časové oblasti a ve frekvenční oblasti. Příznaky ke klasifikaci byly získány ze signálů EEG, EOG a EMG. Jako klasifikátory byly použity klasifikační modely typu K-NN, SVM, a umělé neuronové sítě. Úspěšnost klasifikace se liší podle použité metody a rozdělení skupin. Nejlepších výsledků dosahovala klasifikace mezi stavy bdělosti, fáze REM a N3, a to za pomoci neuronové sítě. Zde bylo dosaženo celkové úspěšnosti 93,1 %.
|
|
|
K-complex detection in sleep EEG
Bjelová, Martina ; Mézl, Martin (oponent) ; Králík, Martin (vedoucí práce)
This paper addresses detecting of K-complexes in sleeping EEG records. Polysomnography is the method, which is used for diagnostic and following therapy of many sleep disorders. For identifnging of sleep stages it is fundamental to know graphoelements, in which they are situate. K-complex is important indicator of second sleep stange and hence is essencial to know to detect this pattern. In this paper we focus on design and implementation of more algorithms for detection of these patterns with various characteristics. Among the proposed methods, the wavelet transform method was best evaluated. Performance of this detection reached values the average senzitivity 63,83 % and average positive predictive value 44,07 %.
|
|
|
Automatická detekce grafoelementů ve spánkových signálech EEG
Balcarová, Anežka ; Ronzhina, Marina (oponent) ; Kozumplík, Jiří (vedoucí práce)
Tato práce je zaměřena na spánkový signál EEG, především na vyhledávání spánkových grafoelementů a dále také na zpracování signálu, které této segmentaci předchází. Jsou zde nastíněny charakteristiky spánkových grafoelementů, metody detekce spánkových grafoelementů a problémy spjaté s jejich klasifikací. Principy dvou vybraných metod detekce k-komplexu jsou vysvětleny a zpracovány v prostředí MATLAB. Výsledky automatické detekce K-komplexů pomocí vybraných metod jsou srovnány s výsledky klasifikace dvou expertů.
|
host ::
RSS.