1 / 22

Úvod

Úvod. motivace - velké objemy EEG dat (celodenní záznamy apod. ) cíle – data vhodně předzpracovat, k detailnímu posouzení předložit pouze “ zajímavé ” části záznamu – cílem není nahradit zkušené oko neurologa, ale usnadnit mu práci

primo
Télécharger la présentation

Úvod

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Úvod motivace - velké objemy EEG dat (celodenní záznamy apod.) cíle – data vhodně předzpracovat, k detailnímu posouzení předložit pouze “zajímavé” části záznamu – cílem není nahradit zkušené oko neurologa, ale usnadnit mu práci prostředky – výpočetní technika, metody kvantitativního EEG, zpracování signálů, rozpoznávání

  2. Klasifikace klasifikace: matematická metoda, kdy vstupní objekty X(i) jsou rozřazovány do tříd podle podobnosti metody klasifikace bez učitele: podoba (a často ani počet) tříd není známa – shluková analýza, SOM, Kohonenovy mapy atd. metody klasifikace s učitelem – nutným doplňkovým vstupem klasifikátoru je tzv. trénovací množina – množina ukázek objektů jednotlivých klasifikačních tříd. k-NN klasifikátor, neuronové sítě, rozhodovací stromy atd.

  3. Klasifikace objekty X(i) popsány pomocí číselných charakteristik, příznaků: pro 1D signály v časové oblasti např. různé obecné a centrální momenty (rozptyl), korelační koeficienty, spektrální analýza (výkony ve frekvenčních pásmech) apod. míra podobnosti definována často jako euklidovská vzdálenost v prostoru příznaků d(i,j) zde je to spíše „míra nepodobnosti“, i, j jsou indexy klasifikovaných objektů, N dimenze příznakového prostoru, X(i,k) hodnota k-tého příznaku i-tého objektu

  4. Klasifikace epileptického EEG 1. krok: segmentace – rozdělení signálu na úseky, zde pro jednoduchost na úseky konstantní délky 2 sekund

  5. Klasifikace epileptického EEG 2. krok: pro každý segment vypočítána množina příznaků segment => vektor reálných čísel příklad: příznak 1 = průměrná absolutní první derivace příznak 2 = rozptyl segment č. 1 => { 0,43 ; 7,51 } segment č. 2 => { 0,84 ; 38,13 }

  6. Klasifikace epileptického EEG 3. krok: trénovací množina trénovací množina = množina“ukázek” segmentů pro jednotlivé klasifikační třídy pro náš problém pouze 2 třídy normální aktivita – třída 1 epileptická aktivita – třída 2

  7. Klasifikace epileptického EEG 4. krok: klasifikace máme segmentovaný původní signál (segmenty délky 2 sekund) vypočítané vektory příznaků pro každý segment trénovací množinu (2 třídy) klasifikace = nalézt pro každý segment původního signálu co nejpodobnější segment trénovací množiny a přiřadit mu tak třídu

  8. Klasifikace epileptického EEG obarvení segmentů vstupního signálu podle příslušnosti ke klasifikační třídě (normální EEG černě, epileptické červeně)

  9. Klasifikace komatického EEG na komatické (spánkové) EEG klasifikovaný signál délky 2 hodin, segmenty 16 sekund trénovací množina – sestavena expertem, 10 tříd, celkem 319 segmentů ukázka segmentů trénovací množiny

  10. Klasifikace komatického EEG • hrubý odhad dlouhodobých trendů třída 4 třída 6-7 třída 4 třída 3 třída 6 barevné kódování tříd 60m 90m 120m 30m 0m

  11. Vizualizace metody vizualizace umožňují nahlížet na signál diametrálně odlišným způsobem v porovnání s analýzou signálu v časové oblasti často jsou data transformována (např. pomocí integrálních transformací – FFT) do jiné oblasti, ve které je hledaná informace mnohem lépe viditelná frekvenční analýza, Fourrierrova transformace, FFT

  12. Frekvenční analýza, FFT časová oblast: osa X = čas, osa Y = amplituda frekvenční oblast: osa X = frekvence, osa Y = amplituda (popř. výkon na dané frekvenci) spektrogram – rozšířená forma frekvenční analýzy. Osa X – čas, osa Y = frekvence, barva = amplituda (výkon)

  13. frekvenční oblast spektrogram časová oblast

  14. Spektrogram signálu s rostoucí frekvencí

  15. Spektrogram dlouhodobého EEG signálu spektrogram spánkového EEG délky 8.5 hodiny patrná periodická struktura typická pro lidský spánek analýza spánkových stádií možná analýza poruch spánku apod.

  16. 2D & 3D spektrogram frek čas čas frek

  17. 2D spektrogram více elektrod

  18. 3D mapování výsledek analýzy lze zobrazit pomocí barevné modulace na modelu hlavy poskytuje topografickou představu o distribuci mapované veličiny v jednotlivých elektrodách např. rozložení celkového výkonu v delta pásmu (cca 0-4Hz)

  19. 2D mapování 0:00-0:09 0:10-0:19 0:20-0:29 0:30-0:39 0:40-0:49 0:50-0:59 1:00-1:09 1:10-1:19 1:20-1:29 1:30-1:39

  20. 2D mapování

  21. Děkuji za pozornost.

More Related