Wyniki wyszukiwania - BazTech

1

Nowa metoda wyznaczenia pola powierzchni skóry przedramienia i dłoni wykorzystująca sztuczną sieć neuronową

Redlarski G., Krawczuk M., Rzyman G., Tojza P. M., Siebert J.

Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej

|

2017

|

Nr 55

53--56

PL

W artykule przedstawiono rozbieżności pomiędzy wartościami pola powierzchni skóry obliczonymi za pomocą znanych metod a ich rzeczywistymi wartościami. Wykorzystując skaner 3D o wysokiej dokładności, zmierzono pole powierzchni skóry przedramienia i dłoni. Zaobserwowano, że błędy obliczeń są w wysokim stopniu skorelowane z wartościami BMI badanych osób. W grupie osób o BMI poniżej 20 stwierdzono maksymalny błąd względny wynoszący -8,5%, natomiast w grupie osób o BMI powyżej 25 odnotowano błędy kilkakrotnie wyższe, w skrajnym przypadku sięgające 27%. W celu redukcji błędów zaproponowano podejście alternatywne, bazujące na wykorzystaniu sztucznej sieci neuronowej.

EN

The article introduces a comparative analysis of existing methods for calculation of forearm and palm skin surfaces with high quality 3D models. Moreover, it was possible to systematize the errors resulting from these calculations and their division due to the BMI of a person. For people with BMI below 20, a maximum error of 8.5% was found, while for people with BMI above 25 the error was close to -27%. On this basis, inaccuracies in the process of the forearm and palm skin estimation of an abnormal body were found. What is more, an artificial neural network to determine this surface was proposed. The proposed neural network was developed for 15 neurons in the hidden layer and 1 neuron in the output layer. The Levenberg-Marquardt with backpropagation learning method was used. The maximal error for the neural network during the forearm and palm skin estimation was 3,04%.

2

Komputerowo wspomagana klasyfikacja wybranych sygnałów elektromiografii powierzchniowej

Rzyman G., Redlarski G., Krawczuk M.

Modelowanie Inżynierskie

|

2017

|

T. 31, nr 62

81--87

PL

Wykorzystywanie sygnałów elektromiografii powierzchniowej (ang. Surface Electromyography, SEMG) w procesach sterowania systemami rehabilitacyjnymi stanowi obecnie standardową procedurę. Popularność SEMG wynika z nieinwazyjności metody oraz możliwości szybkiej i precyzyjnej identyfikacji funkcji mięśniowej. W przypadku osób małoletnich proces klasyfikacji sygnałów jest utrudniony ze względu na mniejsze rozmiary i wyższą dynamikę aktywności włókien mięśniowych niż u osób dorosłych. W związku z powyższymi uwagami, w artykule przedstawiono wyniki badań zwiększających wskaźnik poprawnej klasyfikacji wybranych ruchów dłoni dzieci. Omówiono zastosowane do tego celu modele matematyczne: k-najbliższych sąsiadów, drzewo decyzyjne oraz metodę wektorów nośnych; a także zastosowane miary i metodykę „strojenia” parametrów modeli.

EN

Overarching objective of this paper is classification of basic hand gestures by surface electromyography for healthy children. Main difference between biosignals corresponding to adults and children muscle activity is disparate growth of muscles. For this reason youngsters need separate method of signals classification. In this paper we decide to create a mathematical model and compare three classification method: a support vector machine, k nearest neighbors and decision tree methods. Furthermore we used the best set of time domain (MAV, WAMP, WL and SSC) and selected several parameters to make each model as good as possible.

3

Analiza dokładności formuł do wyznaczania powierzchni ciała człowieka

Krawczuk M., Redlarski G., Siebert J., Pałkowski A., Tojza P. M., Rzyman G.

Modelowanie Inżynierskie

|

2017

|

T. 31, nr 62

56--61

PL

Powierzchnia ciała człowieka (body surface area, BSA) jest wskaźnikiem o szerokim spektrum zastosowań w lecznictwie medycznym (m.in. w chemioterapii, transplantologii oraz toksykologii). Każdy z istniejących wzorów do wyznaczania wartości BSA charakteryzuje się pewnym (lepszym bądź gorszym) współczynnikiem zgodności pomiędzy wartością obliczoną a wartością dokładną – uzyskaną na podstawie pomiaru skanerem 3D. Współczynnik ten jest tym wyższy, im bardziej zróżnicowana jest grupa testowa. Dlatego, dokonując w artykule analizy błędów BSA, zbadano zróżnicowaną grupę osób, którą następnie podzielono na dwie podgrupy. Pierwszą podgrupę stanowiły osoby zdrowe o prawidłowej wartości BMI, natomiast grupę drugą – osoby o nieprawidłowej wartości BMI i/lub osoby o nieprawidłowej (zdeformowanej) budowie ciała. W przypadku pierwszej grupy rozbieżności pomiędzy wartościami pomiarowymi a obliczonymi sięgnęły od 5,2% do 10,7%, natomiast w przypadku drugiej grupy rozbieżności te wyniosły od 10,5% do 34,3%. Do obliczeń przyjęto 25 najczęściej stosowanych formuł do estymacji BSA.

EN

Body surface area (BSA) may be computed using a variety of formulas, but the computed BSA differs from real BSA values for particular subjects. This is presented in the paper by computing BSA values for selected subject and comparing them to the real BSA value obtained with the use of a 3D body scanner. The results show inequalities in the relevant BSA computing formulas. Hence, there is a need to determine a method that will allow to select the best formula for calculating BSA in a particular case. The problem is especially evident for people with abnormal physique, for which BSA estimation error range from 10,5% to 34,3%. For people with normal physique the relative error is lesser then 10,7%.