Analýza spánkového signálu EEG
| but.committee | doc. Ing. Jiří Rozman, CSc. (předseda) prof. Ing. Jiří Jan, CSc. (místopředseda) Ing. Robert Vích, DrSc. (člen) Dr. Ing. Vlastimil Vondra (člen) Ing. Ota Gotfrýd, CSc. (člen) Ing. Vlastimil Václavík (člen) doc. MUDr. Václav Chaloupka, CSc. (člen) | cs |
| but.defence | Student prezentoval výsledky své diplomové práce. Komise byla seznámena s posudkem vedoucího práce a oponenta. Dr. Vondra: Testoval jste na kolika záznamech? Student odpověděl. doc. Rozman: Co je arousal? Student odpověděl. | cs |
| but.jazyk | angličtina (English) | |
| but.program | Elektrotechnika, elektronika, komunikační a řídicí technika | cs |
| but.result | práce byla úspěšně obhájena | cs |
| dc.contributor.advisor | Rozman, Jiří | en |
| dc.contributor.author | Ježek, Martin | en |
| dc.contributor.referee | Kozumplík, Jiří | en |
| dc.date.accessioned | 2019-04-04T03:37:54Z | |
| dc.date.available | 2019-04-04T03:37:54Z | |
| dc.date.created | 2009 | cs |
| dc.description.abstract | Cílem této práce byl vývoj programu pro automatickou detekci arousalu v signálu spánkového EEG s použitím metod časově-frekvenční analýzy. Předmětem studie bylo 13 celonočních polysomnografických nahrávek (čtyři svody EEG, EMG, EKG a EOG), tj. celkově více než 100 hodin záznamu. Jednalo se o část dat z dřívějších výzkumných prací expertní lékařky v problematice spánku Dr. Emilie Sforzy, Ženeva, Švýcarsko, která rovněž poskytla základní hodnocení těchto dat. V záznamech bylo celkem označeno 1551 arousal událostí. Pro usnadnění výběru konkrétní metody časově-frekvenční analýzy byla následně vytvořena sada nástrojů pro vizualizaci jednotlivých signálů a jejich různých časově-frekvenčních vyjádření. S ohledem na závěry vizuální analýzy, charakter signálu EEG a efektivitu výpočetních metod byla pro analýzu vybrána waveletová transformace s mateřskou vlnkou Daubechies řádu 6. Jednotlivé svody EEG byly dekomponovány do šesti frekvenčních pásem. Z takto odvozených signálů a signálu EMG byly následně stanoveny ukazatele možné přítomnosti události arousalu. Tyto ukazatele byly dále váhovány lineárním klasifikátorem, jehož hodnoty vah byly optimalizovány pomocí genetického algoritmu. Na základě hodnoty lineárního klasifikátoru bylo rozhodnuto o přítomnosti události arousalu v daném svodě EEG – arousal byl detekován, jestliže hodnota klasifikátoru překročila danou mez na dobu více než 3 a méně než 30 vteřin. V celém záznamu pak byl arousal označen, byl-li detekován alespoň v jednom ze svodů EEG. Následně byly odvozeny míry senzitivity a selektivity detekce, jež byly rovněž základem pro stanovení fitness funkce genetického algoritmu. Pro učení genetického algoritmu byly vybrány první čtyři záznamy. Na základě takto optimalizovaných vah vznikl program pro automatickou detekci, který na celém souboru 13 záznamů dosáhl ve srovnání s expertním hodnocením míry senzitivity 76,09%, selektivity 53,26% a specificity 97,66%. | en |
| dc.description.abstract | The aim of this study was to develop an automatic detection program for scoring the sleep EEG arousals, based on one of time-frequency analysis methods. The subject of the study was 13 overnight polysomnographic recordings (four leads of EEG, EMG, ECG and EOG), i.e over 100 hours in total. It was a subset of data used in former studies by sleep expert Dr. Emilia Sforza, Geneva, Switzerland, who also provided baseline arousal scoring. Total number of 1551 arousal events were marked in the recordings. Next, several tools for recordings' visualization were developed to facilitate the decision on methods of analysis. Following the conclusions made after extensive visualization of input recordings in different time-frequency representations and regarding the character of EEG as neuroelectric waveforms and computing efficiency, discrete wavelet decomposition with Daubechies order 6 mother wavelet was chosen. The EEG signals were decomposed into six frequency bands. The results together with EMG recordings were used to evaluate a set of indices describing EEG and EMG changes accompanying arousals. These indices were weighted to form linear classifier of microarousal suspicion in each EEG lead – a microarousal was marked as present when it remained suspect in period of 3 to 30 seconds. Outputs of four EEG channels were then integrated to report final outcome. Based on sensitivity and selectivity measures the algorithm was optimized by genetic algorithm. The subject of tuning were the linear classifier parameters and first four of 13 recordings were selected as training data. A microarousal detection program emerged on basis of the tuned algorithm and resulted in average sensitivity of 76,09 %, selectivity of 53,26 % and 97,66 % specificity over all 13 recordings compared to expert visual scorings. | cs |
| dc.description.mark | C | cs |
| dc.identifier.citation | JEŽEK, M. Analýza spánkového signálu EEG [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2009. | cs |
| dc.identifier.other | 11865 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/7833 | |
| dc.language.iso | en | cs |
| dc.publisher | Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií | cs |
| dc.rights | Standardní licenční smlouva - přístup k plnému textu bez omezení | cs |
| dc.subject | spánek | en |
| dc.subject | probuzení | en |
| dc.subject | arousal | en |
| dc.subject | microarousal | en |
| dc.subject | polysomnografie | en |
| dc.subject | EEG | en |
| dc.subject | analýza signálu | en |
| dc.subject | automatická detekce | en |
| dc.subject | FFT | en |
| dc.subject | STFT | en |
| dc.subject | waveletová transformace | en |
| dc.subject | sleep | cs |
| dc.subject | arousal | cs |
| dc.subject | microarousal | cs |
| dc.subject | polysomnography | cs |
| dc.subject | EEG | cs |
| dc.subject | signal analysis | cs |
| dc.subject | automated detection | cs |
| dc.subject | FFT | cs |
| dc.subject | STFT | cs |
| dc.subject | wavelet transform | cs |
| dc.title | Analýza spánkového signálu EEG | en |
| dc.title.alternative | Analysis of sleep EEG signal | cs |
| dc.type | Text | cs |
| dc.type.driver | masterThesis | en |
| dc.type.evskp | diplomová práce | cs |
| dcterms.dateAccepted | 2009-06-09 | cs |
| dcterms.modified | 2009-07-07-11:45:35 | cs |
| eprints.affiliatedInstitution.faculty | Fakulta elektrotechniky a komunikačních technologií | cs |
| sync.item.dbid | 11865 | en |
| sync.item.dbtype | ZP | en |
| sync.item.insts | 2021.11.12 10:09:19 | en |
| sync.item.modts | 2021.11.12 09:36:09 | en |
| thesis.discipline | Biomedicínské a ekologické inženýrství | cs |
| thesis.grantor | Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrství | cs |
| thesis.level | Inženýrský | cs |
| thesis.name | Ing. | cs |