In EDS ansehen

Analýza nezávislých komponent pro předzpracování elektroencefalogramu ; Independent component analysis for EEG pre-processing

Gespeichert in:
Bibliographische Detailangaben
Titel: Analýza nezávislých komponent pro předzpracování elektroencefalogramu ; Independent component analysis for EEG pre-processing
Autoren: Jan Šebek
Weitere Verfasser: Bortel Radoslav, Koldovský Zbyněk
Verlagsinformationen: České vysoké učení technické v Praze. Vypočetní a informační centrum.
Czech Technical University in Prague. Computing and Information Centre.
Publikationsjahr: 2019
Bestand: Czech Technical University in Prague: Digital Library / České vysoké učení technické v Praze: Digitální knihovna ČVUT
Schlagwörter: Elektroencefalogram, Odstraňování svalových artefaktů, Analýza nezávislých komponent, Měřící systémy s vysokou hustotou elektrod, Přeučení algoritmu analýzy nezávislých komponent, Electroencephalogram, Muscular artifacts removal, Independent Component Analysis, High density electrode arrays, ICA overlearning
Beschreibung: Tato práce se zabývá hlavními problémy algoritmů analýzy nezávislých komponent (ICA), to jest například omezeným množstvím vzorků signálu, při zpracování elektroencefalografických (EEG) záznamů a návrhem robustních algoritmů, jejichž výsledná kvalita separace zdrojů není těmito problémy ovlivněna. Kvalita separace nově navržených i již dříve publikovaných algoritmů je porovnána v rámci klasické úlohy odstraňování svalových artefaktů z EEG záznamů s tím rozdílem, že jsou využity extrémně krátké záznamy z měřícího systému s vysokou hustotou elektrod. Uvedené problémy jsou často v literatuře označovány jako ICA overlearning a porušení modelu ICA. Již dříve bylo v literatuře uvedeno, že při jevu ICA overlearning ICA algoritmy kompletně selhávají při separaci mozkových a svalových signálů pro krátké záznamy EEG signálu s větším počtem kanálů. Při porušení modelu ICA algoritmu může být výsledná kvalita separace dále závažným způsobem snížena. Tyto problémy jsou řešeny pomocí projekce EEG záznamu do několika podprostorů s nižší dimenzí než je tomu u originálního zpracovávaného záznamu. V každém z těchto podprostorů je zvlášť provedena analýza nezávislých komponent a zaveden mechanismus kontroly kvality separace kvůli identifikaci a vyřazení podprostorů s nízkou kvalitou separace zdrojů. Kvůli snížené dimenzi jednotlivých podprostorů a jejich následnému výběru pro další zpracování je jev ICA overlearning potlačen a zároveň je menší i vliv druhého problému porušení ICA modelu, což má za následek kvalitnější separaci svalových artefaktů. Po odstranění svalových artefaktů jsou signály z jednotlivých podprostorů zpětně rekonstruovány do prostoru originálního měřeného záznamu a pomocí lineárních kombinací je zpětně sestaven měřený záznam s odstraněnými artefakty. V práci je názorně předvedeno, že pro signály s krátkým trváním a vysokým počtem elektrod navržené metody poskytují vyšší kvalitu rekonstrukce čistého EEG signálu než je tomu u momentálně známých ICA algoritmů pro odstraňování svalových artefaktů z EEG záznamů. ; In ...
Publikationsart: doctoral or postdoctoral thesis
Dateibeschreibung: application/pdf
Sprache: unknown
Relation: http://hdl.handle.net/10467/82062
Verfügbarkeit: http://hdl.handle.net/10467/82062
Rights: A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html. ; Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html.
Dokumentencode: edsbas.94C6AD7E
Datenbank: BASE
Beschreibung
Abstract:Tato práce se zabývá hlavními problémy algoritmů analýzy nezávislých komponent (ICA), to jest například omezeným množstvím vzorků signálu, při zpracování elektroencefalografických (EEG) záznamů a návrhem robustních algoritmů, jejichž výsledná kvalita separace zdrojů není těmito problémy ovlivněna. Kvalita separace nově navržených i již dříve publikovaných algoritmů je porovnána v rámci klasické úlohy odstraňování svalových artefaktů z EEG záznamů s tím rozdílem, že jsou využity extrémně krátké záznamy z měřícího systému s vysokou hustotou elektrod. Uvedené problémy jsou často v literatuře označovány jako ICA overlearning a porušení modelu ICA. Již dříve bylo v literatuře uvedeno, že při jevu ICA overlearning ICA algoritmy kompletně selhávají při separaci mozkových a svalových signálů pro krátké záznamy EEG signálu s větším počtem kanálů. Při porušení modelu ICA algoritmu může být výsledná kvalita separace dále závažným způsobem snížena. Tyto problémy jsou řešeny pomocí projekce EEG záznamu do několika podprostorů s nižší dimenzí než je tomu u originálního zpracovávaného záznamu. V každém z těchto podprostorů je zvlášť provedena analýza nezávislých komponent a zaveden mechanismus kontroly kvality separace kvůli identifikaci a vyřazení podprostorů s nízkou kvalitou separace zdrojů. Kvůli snížené dimenzi jednotlivých podprostorů a jejich následnému výběru pro další zpracování je jev ICA overlearning potlačen a zároveň je menší i vliv druhého problému porušení ICA modelu, což má za následek kvalitnější separaci svalových artefaktů. Po odstranění svalových artefaktů jsou signály z jednotlivých podprostorů zpětně rekonstruovány do prostoru originálního měřeného záznamu a pomocí lineárních kombinací je zpětně sestaven měřený záznam s odstraněnými artefakty. V práci je názorně předvedeno, že pro signály s krátkým trváním a vysokým počtem elektrod navržené metody poskytují vyšší kvalitu rekonstrukce čistého EEG signálu než je tomu u momentálně známých ICA algoritmů pro odstraňování svalových artefaktů z EEG záznamů. ; In ...