Wyniki wyszukiwania - BazTech

1

Detection of epileptic seizures with the use of convolutional neural networks

Wiszniewski Przemysław, Kołodziej Marcin, Majkowski Andrzej, Rysz Andrzej

Przegląd Elektrotechniczny

|

2023

|

R. 99, nr 2

51--55

EN

The purpose of the article is to investigate whether the implementation of a CNN consisting of several layers will allow the effective detection of epileptic seizures. For the research, a publicly available database registered for 4 dogs and 8 people was used. The 1-second iEEG recordings were marked by a neurophysiologist as interictal, early seizure, and seizure. A CNN was trained for each patient individually. Coefficients such as precision, AUC, sensitivity, and specificity were calculated, and the results were compared with the best algorithms published in one of the contests on the Kaggle platform. The average accuracy for the recognition of seizures using CNN is 0.921, the sensitivity is 0.850, and the specificity is 0.927. For early seizures these values are 0.825, 0.782, and 0.828, respectively.

PL

Celem artykułu było zbadanie czy zastosowanie sieci CNN, składającej się z kilku warstw umożliwi skuteczną detekcję napadów epileptycznych. Na użytek badań zastosowano ogólnodostępną bazę danych zarejestrowaną dla 4 psów oraz 8 ludzi. Jednosekundowe zapisy sygnału iEEG zostały oznaczone przez neurofizjologa jako: międzynapadowe, wczesnonapadowe oraz napadowe. Zaproponowano strukturę sieci CNN, a następnie wytrenowano ją dla każdego pacjenta indywidualnie. Zostały wyliczone współczynniki takie jak: trafność, AUC, czułość, specyficzność. Następnie wyniki zostały porównane do osiągniętych w najlepszych algorytmach opublikowanych w konkursie na platformie Kaggle. Średnia skuteczność rozpoznawania napadów z wykorzystaniem sieci CNN wynosi 0.921, czułość 0.850, a specyficzność 0.927. Dla okresów wczesnonapadowych wartości te wynoszą odpowiednio 0.825, 0.782 i 0.828.

2

Using deep learning to recognize the sign alphabet

Kołodziej Marcin, Szypuła Ernest, Majkowski Andrzej, Rak Remigiusz

Przegląd Elektrotechniczny

|

2022

|

R. 98, nr 6

33--36

EN

This article describes a vision system that uses deep learning to recognize 24 static signs of the American Sign Alphabet in real time. As part of the project, images of signs from four publicly available databases were used as a training set. A DenseNet was implemented for image recognition. For testing, images were acquired with the use of a web camera. The accuracy of sign recognition in images is more than 80%. The real-time version of the system was implemented.

PL

Artykuł zawiera opis systemu wizyjnego wykorzystującego uczenie głębokie do rozpoznawania, w czasie rzeczywistym 24 statycznych znaków Amerykańskiego Alfabetu Migowego. W ramach realizacji projektu, w charakterze zbioru uczącego, wykorzystano obrazy znaków pochodzące z czterech ogólnodostępnych baz danych. Zastosowano sieć DenseNet do rozpoznawania obrazów. Do testów stworzono własne obrazy z wykorzystaniem kamery internetowej. Skuteczność rozpoznawania znaków migowych z wykorzystaniem obrazów przekroczyła 80%. Zaimplementowano wersję systemu pracującą w czasie rzeczywistym.

3

A new method of cardiac sympathetic index estimation using a 1D-convolutional neural network

Kołodziej Marcin, Majkowski Andrzej, Tarnowski Paweł, Rak Remigiusz Jan, Rysz Andrzej

Bulletin of the Polish Academy of Sciences. Technical Sciences

|

2021

|

Vol. 69, nr 3

art. no. e136921

EN

Epilepsy is a neurological disorder that causes seizures of many different types. The article presents an analysis of heart rate variability (HRV) for epileptic seizure prediction. Considering that HRV is nonstationary, our research focused on the quantitative analysis of a Poincare plot feature, i.e. cardiac sympathetic index (CSI). It is reported that the CSI value increases before the epileptic seizure. An algorithm using a 1D-convolutional neural network (1D-CNN) was proposed for CSI estimation. The usability of this method was checked for 40 epilepsy patients. Our algorithm was compared with the method proposed by Toichi et al. The mean squared error (MSE) for testing data was 0.046 and the mean absolute percentage error (MAPE) amounted to 0.097. The 1D-CNN algorithm was also compared with regression methods. For this purpose, a classical type of neural network (MLP), as well as linear regression and SVM regression, were tested. In the study, typical artifacts occurring in ECG signals before and during an epileptic seizure were simulated. The proposed 1D-CNN algorithm estimates CSI well and is resistant to noise and artifacts in the ECG signal.

4

Analysis of artefacts in EEG signal registered during anti-G straining maneuvers

Kołodziej Marcin, Kowalczuk Krzysztof Paweł, Majkowski Andrzej, Tarnowski Paweł, Gaździński Stefan, Rak Remigiusz Jan

Przegląd Elektrotechniczny

|

2020

|

R. 96, nr 1

124--128

EN

An anti-G straining maneuver (AGSM) is an essential element of training pilots of high-maneuver aircrafts. Electroencephalographic signal (EEG) registered during such maneuvers could be used to detect cerebral ischemia. AGSM involves complicated physical tasks, from stretching certain parts of muscles through adequate breathing. This results in the creation of extremely large muscle artefacts, which significantly disrupt the recorded EEG signals. The presented research concerned EEG signals, recorded during individual AGSM phases, inside an overload centrifuge. The largest artefacts in the EEG band (0.5-300Hz) were observed for the electrodes Fp1, F9, FT9 and EMG1 located on cheek. The signal from the Cz and Pz electrodes appeared to be the least disturbed.

PL

Manewr przeciw-przeciążeniowy (AGSM) jest niezbędnym elementem szkolenia pilotów samolotów wysokomanewrowych. Sygnał elektroencefalograficzny (EEG) zarejestrowany podczas tych manewrów mógłby posłużyć do wykrycia niedokrwienia mózgu. Manewr przeciwprzeciążeniowy, obejmuje skomplikowane zadania fizyczne, od napinania pewnych partii mięśni, poprzez odpowiednie oddychanie. Powoduje to powstanie ekstremalnie dużych artefaktów odmięśniowych, które zakłócają, w sposób znaczący, rejestrowane sygnały EEG. Zaprezentowane badania dotyczyły sygnałów EEG zarejestrowanych podczas wykonywania poszczególnych faz AGSM, we wnętrzu wirówki przeciążeniowej. Największe artefakty w paśmie EEG (0.5-300Hz) zaobserwowano dla elektrod Fp1, F9, FT9 oraz EMG1 ulokowanej na policzku. Najmniej zakłócony okazał się sygnał zarejestrowany z elektrod Cz i Pz.