Wyniki wyszukiwania - BazTech

1

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.

2

Algorytm automatycznej klasyfikacji w oparciu o sygnały źródłowe EEG i jego implementacja

Jogodzińska-Szymańska U.

Elektronika : konstrukcje, technologie, zastosowania

|

2016

|

Vol. 57, nr 12

31--32

PL

Celem artykułu jest przedstawienie algorytmu klasyfikacji sygnałów EEG opartego na rozwiązywaniu zagadnienia odwrotnego. Proponowana metoda klasyfikacji wykorzystuje teorię grafów. Dla surowych sygnałów zastosowano algorytm wyznaczania widmowej gęstości mocy (PSD). Wykonane testy potwierdziły poprawność klasyfikacji na poziomie przekraczającym 90%. Dzięki rozwiązaniu zagadnienia odwrotnego można było uzyskać informację o miejscach, w których sygnały związane z planowaniem ruchu mają swoje źródło.

EN

The purpose of the article is to present the testing algorithm for the classification of EEG signals based on the inverse solution. The proposed method of classification is based on the graph theory. The algorithm for determining the power spectral density (PSD) was used for the raw signals. The tests performed with the use of the automatic algorithm confirmed the accuracy of classification at the level exceeding 90%. With the solution of the inverse problem information was obtained about places where signals associated with planning movement have their sources.

3

Implementation of BCI for classifying the intention of movement based on the location of EEG signal sources

Jagodzińska-Szymańska U.

Elektronika : konstrukcje, technologie, zastosowania

|

2015

|

Vol. 56, nr 9

60-63

EN

The article describes the algorithm of EEG signal classification with reference to the movement which was used in BCI. The algorithm is based on the reconstruction of signals performed as a result of solving the inverse problem. The data for testing the algorithm were taken from the IDIAP database. Moreover, processed data on the 18-26 Hz frequency from the headset were used. The article presented both the algorithm and the example of the test that was performed. The test included cortical areas of the brain connected with Brodmann areas 4 and 6. The correctness of the classification depends on the precision of defining the movement areas involving the kind of movement (in the case under investigation moving the right and left hand). For the data obtained from the headset, the quality of the classification depends on preprocessing of the signal and the time that the classifier devoted to learning.

PL

W artykule opisano algorytm klasyfikacji sygnałów EEG dotyczących ruchu, który wykorzystano w BCI. Algorytm jest oparty na rekonstrukcji źródeł sygnałów wykonanej w wyniku rozwiązania zagadnienia odwrotnego. Dane do testowania algorytmu zostały wzięte z bazy IDIAP. Wykorzystano też przetworzone dane z headsetu dla częstotliwości 18-26 Hz. W artykule przedstawiono zarówno algorytm jak i przykład przeprowadzonego testu. W teście uwzględniono obszary kory mózgowej związane z polami Brodmanna 4 i 6. Poprawność klasyfikacji zależy od tego, jak precyzyjnie są brane pod uwagę obszary związane z polami ruchowymi dotyczącymi rodzaju ruchu (w rozpatrywanym przypadku dotyczące ruchu prawą i lewą ręką). W przypadku danych uzyskiwanych z headsetu jakość klasyfikacji zależy od wstępnego przetworzenia sygnału oraz od czasu nauki klasyfikatora.

4

Implementacja wybranej metody klasterowej do klasyfikacji źródeł sygnałów EEG związanych z wyobrażaniem ruchu

Jagodzińska-Szymańska U.

Elektronika : konstrukcje, technologie, zastosowania

|

2014

|

Vol. 55, nr 10

74-79

PL

Interfejsy mózg-komputer (Brain-Computer Interface) wykorzystują właściwości fal elektromagnetycznych mózgu rejestrowane za pomocą technik elektroencefalograficznych (EEG). Fale te są rejestrowane za pomocą elektrod na powierzchni głowy. Położenie źródeł sygnałów oraz ich natężenie znajdowane jest poprzez rozwiązanie zagadnienia odwrotnego. Proponowany w artykule algorytm do klasyfikacji sygnałów oparty jest na rekonstrukcji źródeł sygnałów. Algorytm przetestowano dla sygnałów związanych z ruchem prawą i lewą ręką, dlatego obliczenia przeprowadzono przede wszystkim dla fal o częstotliwości 20 Hz związanych m.in. z aktywnością myślową i ruchową. Użyte w teście dane były przetworzone i pochodziły z bazy Idiap. W artykule uwzględniono wyniki testów dla trzech zestawów danych, ale wobec niewielkiej różnicy między otrzymanymi wynikami, przedstawiono je tylko dla jednego zestawu. Wykorzystanie atlasów mózgu może poprawić wyniki klasyfikacji przez bardziej precyzyjne uwzględnienie obszarów mózgu związanych z konkretnym rodzajem aktywności.

EN

Brain-Computer Interfaces use the features of the electromagnetic brain waves registered with the use of electroencephalographic techniques (EEG). Signals are recorded from the surface of the scalp by means of electrodes. Source locations of signals and their strength are obtained when finding the solution to the inverse problem. The algorithm for signal classification proposed in this article is based on source reconstruction. The algorithm was tested for signals connected to the right and left hand movement, therefore calculations were conducted mainly for 20 Hz frequency waves connected with movement and imagining movement activities. The data used in the experiment, which were taken from the Idiap data base, were preprocessed. The article describes test results for three data sets, but due to the insignificant difference, the results are presented for one data set. Classification results may be improved with the use of brain atlases by taking into consideration more precise areas of the brain connected to the given activity.

5

Rozpoznawanie kategorii ruchu ludzkiego na podstawie analizy sygnałów pochodzących z trójosiowych czujników przyspieszenia

Kupryjanow A., Kaszuba K.

Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej

|

2009

|

Nr 26

53-56

PL

W artykule przedstawiono procedurę rejestracji sygnałów przyspieszenia pochodzących z czujników biomedycznych Shimmer, sposób ich rozmieszczenia na ciele oraz opisano klasyfikator pozwalający na rozpoznawanie wybranych kategorii ruchu ludzkiego. W części eksperymentalnej artykułu zbadano wpływ filtracji dolnoprzepustowej sygnałów na skuteczność rozpoznawania typu aktywności ruchowej.

EN

In many scientific fields, especially medicine, information about human activity is crucial. The analysis of acceleration data coming from the sensors mounted on human’s limbs and trunk allows automatic classification of patients’activities (e.g. sitting, walking, getting up, etc). In this paper, a neural network based motion activity classifier and the procedure for recording signals from accelerometers are described. Owing to a very fast development of microcontrollers, it is now possible to create devices which enable real-time recording and transmission of signals from accelerometers. Today’s miniaturization enables the integration of accelerometers, microcontrollers and Bluetooth transmitters into a single matchbox-size device. Research carried out by Intel resulted in highly integrated devices and software platforms designed for networks of sensors which communicate wirelessly. Small size and weight of such devices as well as low energy consumption make the montage of sensors on a human body technically possible and comfortable for patients. The research proved that the localization of sensors on a human body has a great impact on the accuracy of motion type recognition. Many experiments addressing this subject were conducted, and finally an optimal sensors configuration was chosen. A group of 16 healthy people was observed. The acceleration signals were sampled with the frequency of 51,2 Hz whereas the G force was set within the range of 0 to 4. The 64 sample windows with the 32 samples overlap were used for the analysis. For each window, a set of parameters was extracted, which allowed the classification of signals. The research showed that the motion classifier based on neural networks ensures satisfying efficiency of motion type classification. Activity recognition was performed off-line. The accuracy of detection depended on the type of activity and the way the activity was performed. It turned out that for a better network training and testing, a greater number of signals must be collected.

6

Sposób doboru metod kompresji dla sygnałów z sieci elektroenergetycznej

Zygarlicki J., Mroczka J.

Pomiary Automatyka Kontrola

|

2006

|

R. 52, nr 10

35-38

PL

Artykuł przedstawia prostą metodę klasyfikacji zakłóceń w sygnale elektroenergetycznym możliwą do wykorzystania w przenośnych urządzeniach monitorujących. Klasyfikacja sygnałów wykonana jest pod kątem jej zastosowania do wyboru metody kompresji sygnału elektroenergetycznego. Dokonany został podział zakłóceń elektroenergetycznych ze względu na ich podatność na kompresję metodami kompresji typu analiza-synteza (na przykładzie modelu Pronego) oraz metodę opartą na transformatach czasowo-częstotliwościowych (na przykładzie przekształcenia falkowego).

EN

The article presents a simple method for power signals classification which can be used with portable power quality monitoring systems for lossy data compression. Classifications method presented in this paper decides which algorithm of compression should be used for defined part of signal to get best compression factor and minimal reconstruction's errors. There is proposed two methods for signal compression: Prony's signals model and wavelet decomposition.