Wyniki wyszukiwania - BazTech

1

Ekstrakcja danych numerycznych z wykresów słuchowych potencjałów wywołanych

Mały Dominik, Dobrowolski Andrzej

Elektronika : konstrukcje, technologie, zastosowania

|

2020

|

Vol. 61, nr 3

4--7

PL

W artykule przedstawiono projekt aplikacji opracowanej w środowisku Matlab, umożliwiającej ekstrakcję danych liczbowych z wykresów słuchowych potencjałów wywołanych z zachowaniem wszelkich charakterystycznych cech przetwarzanej krzywej. Opracowany kod podzielony został na cztery zasadnicze moduły: moduł wczytania pliku graficznego zawierającego wykres słuchowego potencjału wywołanego, moduł wstępnego przetwarzania obrazu, moduł ekstrakcji danych oraz moduł skalowania.

EN

This article shows application project developed in Matlab, allowing data extraction form auditory evoked potential charts with keeping the characteristic features of processed curve. Designed Matlab script was divided into four fundamental modules: module for loading a graphic file containing a graph of auditory evoked potential, image preprocessing module, data extraction module and scaling module.

2

Diagnosis of Attention Deficit Hyperactivity Disorder with combined time and frequency features

Altınkaynak Miray, Dolu Nazan, Güven Aysegül, Pektas Ferhat, Özmen Sevgi, Demirci Esra, Izzetoglu Meltem

Biocybernetics and Biomedical Engineering

|

2020

|

Vol. 40, no. 3

927--937

EN

The aim of this study was to build a machine learning model to discriminate Attention Deficit Hyperactivity Disorder (ADHD) patients and healthy controls using information from both time and frequency analysis of Event Related Potentials (ERP) obtained from Electroencephalography (EEG) signals while participants performed an auditory oddball task. The study included 23 unmedicated ADHD patients and 23 healthy controls. The EEG signal was analyzed in time domain by nonlinear brain dynamics and morphological features, and in time-frequency domain with wavelet coefficients. Selected features were applied to various machine learning techniques including; Multilayer Perceptron, Naïve Bayes, Support Vector Machines, k-nearest neighbor, Adaptive Boosting, Logistic Regression and Random Forest to classify ADHD patients and healthy controls. Longer P300 latencies and smaller P300 amplitudes were observed in ADHD patients relative to controls. In fractal dimension calculation relative to the control group, the ADHD group demonstrated reduced complexity. In addition, certain wavelet coefficients provided significantly different values in both groups. Combining these extracted features, our results indicated that Multilayer Perceptron method provided the best classification with an accuracy rate of 91.3% and a high level of reliability of concurrence (Kappa = 0.82). The results showed that combining time and frequency domain features can be a useful and discriminative for diagnostic purposes in ADHD. The study presents a supporting diagnostic tool that uses EEG signal processing and machine learning algorithms. The findings would be helpful in the objective diagnosis of ADHD.

3

Evaluation of filters over different stimulation models in evoked potentials

Güven Aysegül, Batbat Turgay

Biocybernetics and Biomedical Engineering

|

2019

|

Vol. 39, no. 2

339--349

EN

Filtering is a key process which removes unwanted parts of signals. During signal recording, various forms of noises distort data. Physiological signals are highly noise sensitive and to evaluate them powerful filtering approaches must be applied. The aim of this study is to compare modern filtering approaches on scalp signals. Brain activities were generally examined by brain signals like EEG and evoked potentials (EP). In this study, data were recorded from university students whose age between 18 and 25 years with visual and auditory stimuli. Discrete wavelet transforms, singular spectrum analysis, empirical mode decomposition and discrete Fourier transform based filters were used and compared with raw data on classification performance. Higuchi fractal dimension and entropy features were extracted from EEG; P300 features were extracted from EP signals. Classification was applied with support vector machines. All filtered data gave better scores than raw data. Empirical mode decomposition (EMD) and Fourier-based filter yielded lower results than the discrete wavelet-based filter. Singular spectrum analysis gave the best result at 84.32%. The current study suggests that singular spectrum analysis removes noise from sensitive physiological signals, and EMD requires new mode selection procedures before resynthesizing.

4

Digital signal processing in the diagnosis of brainstem auditory evoked potentials

Dobrowolski A. P., Suchocki M., Tomczykiewicz K.

Elektronika : konstrukcje, technologie, zastosowania

|

2012

|

Vol. 53, nr 5

26-29

EN

The article presents issues related with examination of auditory evoked potentials. The current methods are mainly based on timing interpretation of waveform potentials. Such method requires significant experience from examining neurologist. From this reason the authors have undertaken the task aimed at elimination of subjective assessment of results and automation of the tests. To isolate distinctive features of evoked potentials and differentiate the normal results from pathological cases, authors used methods of digital signal processing. The use of wavelet decomposition and linear SVM network has ensured correct classification of 40 different clinical cases, including 20 normal and 20 pathological cases.

PL

Artykuł przedstawia problemy związane z badaniem słuchowych potencjałów wywołanych. Obecne metody bazują głównie na czasowej interpretacji przebiegów potencjałów. Metody te wymagają dużego doświadczenia ze strony neurologa przeprowadzającego badanie. Uwzględniając powyższe, autorzy podjęli się zadania wyeliminowania subiektywnej oceny wyników oraz zautomatyzowania badania. W celu wyodrębnienia cech dystynktywnych z potencjałów wywołanych oraz rozróżnienia przypadków poprawnych i patologicznych, autorzy użyli metod cyfrowego przetwarzania sygnałów. Użycie dekompozycji falkowej oraz liniowych sieci SVM dało w rezultacie poprawną klasyfikację 40 przypadków klinicznych, zawierających 20 poprawnych i 20 patologicznych przebiegów.

5

Specyfika analizy sygnałów biomedycznych na przykładzie słuchowych potencjałów wywołanych

Bułka J., Izworski A.

Pomiary Automatyka Robotyka

|

2011

|

R. 15, nr 12

112-115

PL

Analiza procesów zachodzących w żywym organizmie z uwagi na jego właściwości odbiega od analizy technicznych układów dynamicznych. Również metody akwizycji i wstępnego przetwarzania sygnałów biomedycznych (generowanych przez organizm) oraz ich przetwarzanie wymaga, aby sygnały te były traktowane inaczej niż sygnały zbierane z urządzeń technicznych. W pracy przedstawiono specyfikę przetwarzania i analizy sygnałów biomedycznych na przykładzie przebiegów słuchowych potencjałów wywołanych pnia mózgu - ABR (Auditory Brainstem Response). Są one wyrazem aktywności elektrycznej nerwu słuchowego i dróg słuchowych w pniu mózgu, jaka powstaje na skutek stymulacji akustycznej. Słuchowe potencjały wywołane pnia mózgu stosowane są w praktyce klinicznej przede wszystkim do obiektywnej oceny progu słyszenia oraz w diagnostyce różnicowej zaburzeń słuchu.

EN

In view of its qualities analysis of processes occurring inside living organism is different from analysis of dynamical systems. Also signal acquisition and preprocessing methods used with biomedical signals (generated by organism) and their processing requires that they should be treated differently than signals gathered from technical devices. In this research specificity of processing and analysis of biomedical signals using Auditory Brainstem Responses (ABR) as the example is introduced. These responses are indicative of acoustic nerve and tracts electrical activity in brain stem, which came into being as the result of acoustic stimulation. Auditory Brainstem Responses are used in clinical practice mainly to objectively estimate hearing are used in clinical practice mainly to objectively estimate hearing threshold and in differential diagnosis of hearing disorders.

6

Parametryzacja zmian w czasie typowych charakterystyk dzieci w okresie rozwoju

Kordecki W., Pilecki W.

Prace Naukowe Politechniki Warszawskiej. Elektronika

|

2007

|

z. 161

43-48

EN

In the paper the metod enabling comparison of the measuring results with the typical characteristic of newborn and young children is presented. An example of the brainstem auditory evoked potentials interpeak I-V latency is given.