BIOLOGICKÉ SIGNÁLY. Pokroky v EEG. doc. Ing. Vladimír Krajča, CSc. ČVUT FBMI, katedra biomedicínské techniky



Podobné dokumenty
RÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI. v oboru KLINICKÁ TECHNIKA SE ZAMĚŘENÍM NA ANALÝZU A ZPRACOVÁNÍ BIOSIGNÁLŮ.

RÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI. v oboru KLINICKÉ INŽENÝRSTVÍ SE ZAMĚŘENÍM NA ANALÝZU A ZPRACOVÁNÍ BIOSIGNÁLŮ.

Processing of EEG Data Marek Penhaker Konference IT4Innovations, Ostrava

ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁLŮ V. Institut biostatistiky a analýz

8. PŘEDNÁŠKA 20. dubna 2017

Měření EEG, spánek, hodnocení EEG záznamů a následná vizualizace

Laboratorní úloha č. 8: Elektroencefalogram

Anotace. Klíčová slova: 1. Úvod

Elektroencefalografie

Elektroencefalografie. X31LET Lékařská technika Jan Havlík Katedra teorie obvodů

10. PŘEDNÁŠKA 27. dubna 2017 Artefakty v EEG Abnormální EEG abnormality základní aktivity paroxysmální abnormality epileptiformní interiktální

Elektroencefalografie. X31ZLE Základy lékařské elektroniky Jan Havlík Katedra teorie obvodů

Algoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně

RÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI. v oboru KLINICKÁ TECHNIKA SE ZAMĚŘENÍM NA LABORATORNÍ ZDRAVOTNICKÉ PŘÍSTROJE.

Elektrofyziologické metody a studium chování a paměti

Elektroencefalografie v intenzivní péči. Petr Aulický

Úvod do medicínské informatiky pro Bc. studium. 6. přednáška

SIMULTÁNNÍ EEG-fMRI. EEG-fMRI. Radek Mareček MULTIMODÁLNÍ FUNKČNÍ ZOBRAZOVÁNÍ. EEG-fMRI. pozorování jevu z různých úhlú lepší pochopení

ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE

RÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI. v oboru KLINICKÉ INŽENÝRSTVÍ SE ZAMĚŘENÍM NA DIAGNOSTICKÉ ZDRAVOTNICKÉ PŘÍSTROJE

6.4 Zpracování elektroencefalografických záznamů pomocí umělých neuronových sítí

RÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI. v oboru KLINICKÝ INŽENÝR PRO TERAPEUTICKÉ ZDRAVOTNICKÉ PŘÍSTROJE

Bioelektromagnetismus. Zdeněk Tošner

Evokované potenciály. Principy, možnosti a meze, indikace. Doc. MUDr. Pavel Urban, CSc.

Moderní systémy pro získávání znalostí z informací a dat

OKRUHY MODELOVÝCH SITUACÍ

PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA)

SIMULTÁNNÍ EEG-fMRI. Radek Mareček

Biomedicínské inženýrství na ČVUT FEL

Analýza dat v GIS. Dotazy na databáze. Překrytí Overlay Mapová algebra Vzdálenostní funkce. Funkce souvislosti Interpolační funkce Topografické funkce

ANALÝZA A KLASIFIKACE DAT

INFORMAČNÍ TECHNOLOGIE PRO ZPRACOVÁNÍ EEG I

Katedra biomedicínské techniky

VYŠETŘENÍ NERVOVÉHO SYSTÉMU. seminář z patologické fyziologie

v Praze mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9

SPM SPECTRUM NOVÁ UNIKÁTNÍ METODA PRO DIAGNOSTIKU LOŽISEK

Pokročilé operace s obrazem

Dolování z textu. Martin Vítek

Diagnostika infarktu myokardu pomocí pravidlových systémů

Analýza a zpracování digitálního obrazu

ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ

Situace v dalším vzdělávání v kraji Vysočina s důrazem na malé a střední podniky. Vítězslav Šeda, OHK Jihlava

ADASH spol. s r.o FASIT. Informační list

Klasifikace hudebních stylů

VOLBA ČASOVÝCH OKEN A PŘEKRYTÍ PRO VÝPOČET SPEKTER ŠIROKOPÁSMOVÝCH SIGNÁLŮ

Konstrukční varianty systému pro nekoherentní korelační zobrazení

Algoritmy a struktury neuropočítačů ASN - P11

BTL zdravotnická technika, a.s. Šantrochova 16, Praha 6 tel./fax: obchod@btl.cz

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ

SEMESTRÁLNÍ PRÁCE X. Aproximace křivek Numerické vyhlazování

České vysoké učení technické v Praze Fakulta biomedicínského inženýrství

MĚŘENÍ PORUCH PŘEDIZOLOVANÝCH POTRUBNÍCH SYSTÉMŮ POMOCÍ PŘENOSNÉHO REFLEKTOMETRU BDP

TP /b P - POPIS ARCHIVACE TYP Měřič INMAT 57 a INMAT 57D

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta elektrotechniky a komunikačních technologií Ústav telekomunikací

Analýza dat na PC I.

Využití velkoplošné vizualizace v

Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group

Úvodem Dříve les než stromy 3 Operace s maticemi

1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15

Numerické řešení proudění stupněm experimentální vzduchové turbíny a budících sil na lopatky

Přehled nabízených kurzů

UŽITÍ KOHERENČNÍ FUNKCE PRO DISTRIBUOVANOU

GRAFICKÉ ROZHRANÍ URČENÉ K HODNOCENÍ VYSOKOFREKVENČNÍCH OSCILACÍ DETEKOVANÝCH V INTRAKRANIÁLNÍM EEG

Etiologie epilepsie. Epilepsie nevychází z centra jizvy nebo postmalatické pseudocysty, ale spíše z jejího okraje, kde přežívají poškozené neurony.

Úvod do zpracování signálů

MĚŘENÍ ÚHLOVÝCH KMITŮ ZA ROTACE

Big Data a oficiální statistika. Unicorn College Open 24. dubna 2015 Doc. Ing. Marie Bohatá, CSc.

Epilepsie. Silvia Čillíková FEL ČVUT. 9th May 2006

Automatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář,

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ

AUTOMATICKÁ SEGMENTACE DAT EEG

Whale detection Brainstorming session. Jiří Dutkevič Lenka Kovářová Milan Le

EVIDENČNÍ FORMULÁŘ. FTVS-UK evidence VaV výsledků nepodléhající řízení o zápisu u ÚPV v Praze

1.16 Vibrodiagnostika Novelizováno:

TERMINOLOGIE ... NAMĚŘENÁ DATA. Radek Mareček PŘEDZPRACOVÁNÍ DAT. funkční skeny

Lineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY a SYSTÉMY

Klasifikace snímků DaTscan pomocí CNN: Preprocessing obrazových dat a jejich generování metodou Monte Carlo

INFORMAČNÍ TECHNOLOGIE PRO ZPRACOVÁNÍ EEG 2 UNIS a popis EEG. doc. Ing. Vladimír Krajča CSc.

3.4 Určení vnitřní struktury analýzou vícerozměrných dat

DSY-4. Analogové a číslicové modulace. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti

8. Sběr a zpracování technologických proměnných

Osnova. Idea ASK/FSK/PSK ASK Amplitudové... Strana 1 z 16. Celá obrazovka. Konec Základy radiotechniky

SOFTWARE PRO PREZENTACI EEG SIGNÁLŮ A JEJICH ANALÝZ VYTVOŘENÝCH V MATLABU

METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1

Katalog biomedicínských modelů, výuka simulacim a modelování v biomedicínském inženýrství, interaktivní systém v MatLab-Simulinku

C82,C83,C84,C85 - Ne-Hodgkinův lymfom

MATLAB PRO PODPORU VÝUKY KOMUNIKAČNÍCH SYSTÉMŮ

Vizuální zpětná vazba při tréninku stability. MUDr. M. Janatová, Ing. A. Bohunčák, MUDr. M. Tichá

3 METODY PRO POTLAČENÍ ŠUMU U ŘE- ČOVÉHO SIGNÁLU

VIBEX Uživatelská příručka

Metody automatické detekce EEG epileptických hrotů. Methods for EEG sharp transients detection

Přednáška 13 Redukce dimenzionality

Využití metod strojového učení v bioinformatice David Hoksza

TECHNICKÁ UNIVERZITA V LIBERCI

Zápočtová úloha z předmětu KIV/ZSWI DOKUMENT SPECIFIKACE POŽADAVKŮ

Základy a aplikace digitálních. Katedra radioelektroniky (13137), blok B2, místnost 722

Dodatek k uživatelském manuálu Adash 4202 Revize MK

Spektrální charakteristiky

Statistika pro geografy

ehealth, telemedicína a asistivní technologie na ČVUT FEL Praha

Transkript:

BIOLOGICKÉ SIGNÁLY Pokroky v EEG doc. Ing. Vladimír Krajča, CSc. ČVUT FBMI, katedra biomedicínské techniky e-mail Vladimir.Krajca@FBMI.CVUT.cz 1

Cíle kursu Proniknout do principů a praktického nasazení základních a pokročilých metod číslicového zpracování biologických signálů 2

Praktická práce biomedicínského inženýra v EEG/EMG laboratoři zahrnuje Zobrazení a analýzu reálných signálů v uživatelsky přístupné formě využitelné lékaři Tvorbu příslušného software Ve výzkumu lze užít i MATLAB 3

Co je k tomu potřeba umět a znát? 1. Načíst binární digitalizovaný biosignál znát formát dat (header, data) 2. Zobrazit signál graficky na displeji C++, Java, Matlab 3. Vybrat a realizovat vhodnou analytickou funkci Digital signal processing - Artificial Intelligence -Spectrum Analysis -Patter recognition Zobrazit výsledky opět graficky i numericky 4

Podklady ke studiu na webu www.skolicka.fbmi.cvut.cz password: signaly Obsah : e-learningové kurzy (zatím z roku 2011, 14 lekcí, 6 animací) Vybrané publikace z mezinárodních konferencí a časopisů Video-záznam EEG v laboratoři fakultní nemocnice Podmínky a termíny zkoušek (ale přihlášení v KOSu) e-learningové skriptum Mohylová J., Krajča V. Zpracování signálů v lékařství, Ostrava 2007 Animované příklady (některé v DOSu), Programy pro simulaci filtrů, brain mapping, cluster analysis Korespondenční úkoly a jejich odevzdávání atd. 5

Skripta k předmětu Krajča V., Mohylová J., Číslicové zpracování neurofyziologických signálů. ČVUT Praha, 2011 6

Metody počítačové elektroencefalografie realizované v EEG laboratoři FN Na Bulovce ORIENTAČNÍ PŘEHLED 7

Osnova 1. Úvod co je to elektroencefalogram 2. Problémy vizuálního hodnocení 3. Výběr metod k řešení 4. Nasazení do praxe a přínosy metod 5. Publikace, učební texty 6. Témata diplomových prací 8

1. Co je to elektroencefalogram (EEG)? složitý elektrický biosignál, měří se elektrodami na povrchu lebky (µv) odráží elektrickou aktivitu činnosti mozku na rozdíl od strukturálních metod (CT) zobrazuje funkční projevy základní diagnostický nástroj pro léčbu epilepsie a analýzu spánku projevují se v něm stavy vědomí, poruchy mozkové činnosti, spánkové stavy, komatózní stavy, léze 9

1.a. Základní aktivita - vlny, grafoelementy Hlavní frekvenční pásma pro diagnózu Delta 0.5-4 Hz - u dětí, hluboký spánek, nádory Theta 4-8 Hz - normální Alfa 8-13 Hz - při bdělém stavu, zavřené oči Beta 13-22 Hz - normální, pozornost- neklid, bolesti Grafoelementy epileptické abnormality - hroty, komplexy hrot vlna hrot - přechodný jev, jasně odlišený od aktivity pozadí, šířka 70 msec, s špičatým vrcholem Artefakty Chyby v záznamu způsobené fyziologickými a vnějšími vlivy. Nutno odstranit, vyloučit ze zpracování. 10

1.b. Ukázky EEG grafů Epileptické hroty Amplitudový artefakt 11

2. Problémy vizuálního hodnocení - proč nasazovat počítače 1. Vizuální interpretace subjektivní více umění než věda - hodnocení zavisí na délce praxe, osobnosti učitele výchova odborníků obtížná (zrání až 5 let) namáhavé, vyžaduje stálou pozornost 2. Délka záznamu ambulantní záznam - 20 minut - nemusí se projevit epileptická aktivita nutnost dlouhodobého monitorování 24 hodin a více analýza spánku - 8 hodin = 864 m papíru 3. Archivace - DVD 4. Následné zpracování dat (změna montáží, filtrace, nelze u papírových ) 5. Nutnost numericky kvantifikace EEG 12

2.a. Cíle počítačové analýzy Podpora lékařova hodnocení Rozšíření jeho schopností poskytnutím objektivních dat Prezentace dat v názorném grafickém tvaru Rozlišení normální/abnormální aktivity Klasifikace záznamů Hodnocení trendů Redukce a archivace dat Kvantifikace - zjištění přesné hodnoty dominantní frekvence Zjištění a extrakce skryté informace nepostižitelné pouhým okem Usnadnění orientace v dlouhodobých záznamech - soustředění pozornosti na zajímavé úseky a přeskočení nezajímavé aktivity 13

Základní kroky DSP Převod signálu do počítače Načtení binárních dat Zobrazení dat v uživatelsky přístupné formě využitelné lékaři Analýza dat Zobrazení výsledků analýzy 14

3. Metody: Dlouhodobé x detailní zpracování Dlouhodobé EEG detekce významných událostí hledání významných grafoelementů sledování trendů klasifikace spánkových stavů detekce epileptických hrotů detekce záchvatů Detailní analýza topografické mapování výkonu frekvenčních pásem mapování lokální koherence posuv ve spektru rozklad na zdrojové a šumové složky analýza dipólů fázové spektrum - lokalizace epi ložiska 15

4. Přehled metod LORETA CORDANCE NEONATAL SLEEP ANALYSIS Photic driving 3D PROJECTION POWER SPECTRUM LOCAL COHERENCE PCA SEGMENT ATION ARTEFACT ELIMINATION PHASE MAPPING WAVE FINDER SPIKE DETECTION CSA BRAIN MAPPING PRINCIPAL COMPONENT ANALYSIS INDEPENDENT COMPONENT ANALYSIS SPECTRUM ANALYSIS LONG - TERM PROCESSING NEURAL NETWORKS DETAILED ANALYSIS PRE - PROCESSING DIGITAL FILTERING TRENDS REMOVING EEG SIGNAL

4.1. Spolupráce Cooperation with ČVUT and ÚPMD Cooperation with SZÚ Cooperation with Psychiatric Center LORETA CORDANCE Cooperation with Technical University Ostrava NEONATAL SLEEP ANALYSIS Photic driving 3D PROJECTION POWER SPECTRUM LOCAL COHERENCE PCA SEGMENT ATION ARTEFACT ELIMINATION PHASE MAPPING WAVE FINDER SPIKE DETECTION CSA BRAIN MAPPING PRINCIPAL COMPONENT ANALYSIS INDEPENDENT COMPONENT ANALYSIS SPECTRUM ANALYSIS Cooperation with Academy of Science LONG - TERM PROCESSING NEURAL NETWORKS DETAILED ANALYSIS PRE - PROCESSING DIGITAL FILTERING TRENDS REMOVING EEG SIGNAL 17

4.3.1. Příklady zpracování - filtrace signálu 18

4.3.1. Signál po filtraci FIR filtrem 19

4.3.3. Spektrální složky Signál + šum 50 Hz Filtrace 0.5-25 Hz 20

5. Spektrální analýza Zjišťování frekvenčních složek EEG v úseku signálu ve všech EEG svodech/ v jenom kanálu Pro jednotlivé spektrální čáry i v EEG pásmech 21

Spektrální analýza EEG 1 kanál 22

Spektrální analýza 3D projekce - sférické splajny 23

6. Case report (případová studie): Mapování lokální koherence - informace neviditelná pouhým okem Lokální koherence indikátor vzájemné korelace (spolupráce) sousedních oblastí mozkové kůry ve frekvenční oblasti Interhemisferická koherence hraje významnou roli při analýze interhemisferální synchronizace Dá se využít i při kvantitativním hodnocení ložiskových lézí mozku, u veličin, které nejsou při vizuálním hodnocení zřetelné 24

Princip mapování amplitudy V 13.5-98.3 Conversion of numbers into color scale 13.5-98.3-100 85.0 5.6 85.0 5.6 +100 a) b) V 1. iteration 2. iteration Topographic map Average from four neigbours The new points are included into computing c)... till the whole area is covered 25

Schéma lokální koherence (normalizované křížové spektrum) auto-spectrum G ( f ) x E X ( f ) X ( f ) Cross-spectrum (křížové, vzájemné) G ( f ) xy E X ( f ) Y ( f ) magnitude squared coherence (výkonová) COH xy G 2 xy G G x y amplitude coherence COH xy G G x xy G y 26

Příklady: Ischémie l.dx vpravo (EEG závěr: bez průkazných ložiskových změn) Frekvenční mapy - není zřetelná asymetrie Mapování lokální koherence - ložisko temporálně vpravo v souladu s CT 27

CMP - pravostranná hemiparéza (symptom vlevo) 28

7. Analýza/monitorování dlouhodobých EEG záznamů : CSA - spektrální kulisy CSA compressed spectral arrays Seřazení spektrálních křivek z 2 sec úseků jako kulisy v divadle Visualizace trendů a posuvu ve spektru u dlouhodobých záznamů a monitorování 29

7. Analýza dlouhých záznamů CSA: příklad - epileptický záchvat 30

8. Case study: Photic driving u pracovníků vystavených rtuťovým parám spolupráce s Doc. Urbanem, SZÚ Photic driving reakce EEG na fotostimulaci pro různé frekvence stroboskopu (vybudí se odezva pro harmonické složky stimulace). Cílem zjistit potenciál CSA pro indikaci PD u raných neurotoxických efektů u dělníků vystavených parám rtuti. Změny u PD ve srovnání s kontrolní skupinou ještě před klinickými obtížemi 31

CSAs in a person with well expressed photic driving Background activity Driving on the fundamental frequency Driving on the 1 st harmonic frequency Driving on the 2 nd harmonic frequency 32

Protokol generovaný počítačem Kvantitativní parametry 33

9. Analýza dlouhých záznamů: identifikace významných grafoelementů Hierarchický systém automatizovaného zpracovávání EEG segmentace extrakce příznaků automatická klasifikace visualizace a kvantifikace 34

Blokové schéma systému WF hierarchický systém IDENTIFIKACE SIGNIFIKANTNÍCH GRAFOELEMENTU VYMEZENÍ VÝZNAMNÝCH ČÁSTÍ EEG EXTRAKCE ZHUŠTĚNÉ INFORMACE SUMÁRNÍ INFORMACE STATISTIKA PRESENTACE VÝSLEDKŮ KLASICKÁ TEORIE MNOŽIN KLASIFIKACE SHLUKOVÁ ANALÝZA UĆÍCÍ SE KLASIFIKÁTOR TEORIE FUZZY MNOŽIN EXTRAKCE PŘÍZNAKŮ ADAPTIVNÍ SEGMENTACE 35

Vlastnosti systému Nástroj pro předzpracování velkých souborů dat (24 hod) Má lékaře upozornit, že se v signálu něco děje - lékař si závěr udělá sám Snaží se imitovat práci lékaře při hodnocení EEG Neklade si za cíl absolutní přesnost - pokud detekuje 10 % událostí, z nichž 5% jsou artefakty přesto je velká úspora času pro 24 hodinový záznam Schopný nasazení v klinické praxi (interface uživatelsky přístupný pro lékaře) Důraz na grafickou prezentaci výsledků Transparentní - kdykoliv je možné prohlížet originální signál a volit mezi prohlížením odvozených grafů - profilů a přeskakovat mezi vypočtenými charakteristikami a originálním záznamem. 36

Základ: Adaptivní segmentace na základě dvou spojených oken 1 dvě spojená okna hranice segmentu EEG není stacionární, je po částech stacionární. Pevné úseky nerespektují charakter signálu Proto - snaha rozdělit jej na úseky proměnné délky v závislosti na výskytu nestacionarit (EEG grafoelementů) Řešení: Adaptivní segmentace (Bodenstein a Praetorius, Krajča, Varri) : 2 míra rozdílu oken mez 3 lokální maximum 1. Po signálu kloužou dvě spojená okna 2. Z rozdílu charakteru signálu v obou oknech se určí odchylka od stacionarity. 3. Hranice segmentu je umístěna v místech lokálních maxim této odchylky 37

Příklad adaptivní segmentace jednoho kanálu EEG signál a hranice segmentů Amplitudová míra diference oken Frekvenční míra Celková míra diference a mez pro segmentaci 38

Příklad multikanálové adaptivní segmentace HRANICE SEGMENTU ČÍSLO TŘÍDY 39

Příklad barevné identifikace epileptických grafoelementů klasifikace pomocí shlukové analýzy 40

Extrakce příznaků klasifikace se má blížit vizuálnímu hodnocení lékaře proto - zvolena sada deseti příznaků popisujících frekvenční i časové parametry grafoelementů: variance amplitudy v segmentu rozdíl maximální positivní a minimální negativní hodnoty amplitudy v segmentu hodnoty amplitudy signálu v delta, theta, alfa, beta1 a beta2 frekvenčních pásmech maximální hodnota první derivace signálu v segmentu (úměrná sklonu křivky grafoelementu) maximální hodnota druhé derivace signálu v segmentu (úměrná špičatosti křivky) průměrná hodnota frekvence v segmentu. 41

Automatická klasifikace - metody on-line a off-line zpracování klasické i fuzzy Motivace - snaha odhalit strukturu, která může být skryta v datech, identifikovat EEG grafoelementy. Metody pro třídění detekovaných EEG grafoelementů do typových tříd: SHLUKOVÁ ANALÝZA hledá přirozenou strukturu dat (pokud existuje) učení bez učitele - žádná a priori informace o datech data v tomtéž shluku (třídě) jsou si v určitém smyslu bližší než data v různých shlucích příznakově orientovaná metoda klasifikace; příznaky - popisují daný klasifikovaný objekt neumožňuje on-line klasifikaci (nelze klasifikovat segmenty které teprve přijdou) 42

Automatická klasifikace - metody on-line a off-line zpracování klasické i fuzzy UČÍCÍ SE KLASIFIKÁTOR porovnává nový objekt s prototypem (identifikován učitelem ve fázi učení) problémy s objekty, na které systém nebyl naučen ve fázi učení lze použít shlukovou analýzu pro definici etalonů Metody klasické i pomocí neuronových sítí Oba typy metod mohou využívat KLASICKOU i FUZZY teorii množin 43

Princip algoritmu k-means (k-středů) 1a. Náhodně vybereme středy tříd - prototypy (mohou být přímo data) 1b. Vypočteme vzdálenosti všech objektů od každého středu 2. Objekt přiřadíme (klasifikujeme) do té třídy, k jejímuž středu má nejblíže 3. Přepočteme středy nových tříd - těžiště 4. Pokud jsme nedosáhli optima, vracíme se na bod 1b. Vypočteme vzdálenosti od středů. 44

Klasické množiny Klasické a fuzzy množiny neumožňují sdílení členství objektu v různých třídách objekt patří/nepatří do třídy (množiny) černobílý pohled Fuzzy (nezřetelné) množiny dovolí vícenásobné sdílení s různým stupněm členství X={ x 1, x 2,...x N }, je množina objektů. Klasická množina Fuzzy množina charakteristická funkce u A : X - > {0,1} zobecnění u A : X -> <0,1> 1, x k A i u Ai (x k ) = { u Ai (x k )=u ik fuzzy členství 0, x k A i 45

Fuzzy sets FUZZY TŘÍDĚNÍ KLASICKÉ (HARD) TŘÍDĚNÍ 70 JABLKA 30 VIŠNĚ OVOCNÉ MOŠTY 70 JABLKA? 30 VIŠNĚ JABLKA VIŠNĚ ŠVESTKY Třída 1 Třída 2 Třída 3 0.70 0.30 0 1.0 0 0 JABLKA VIŠNĚ ŠVESTKY Třída 1 Třída 2 Třída 3 0 1 0 0 0 1 0.20 0.25 0.55 0 1.0 0 proměnný stupeň členství v intervalu 0-1 1 0 0 1 0 0 0... patří do třídy 1... nepatří 0 0.80 0.20 smíšený objekt může patřit do různých tříd s různým stupněm členství 1 0 0 smíšený objekt musí být zařazen do jedné z tříd 46

Automatická klasifikace EEG grafoelementů Motivace - snaha odhalit strukturu, která může být skryta v datech, identifikovat EEG grafoelementy. Metoda shluková analýza hledá přirozenou strukturu dat učení bez učitele - žádná a priori informace o datech data v tomtéž shluku (třídě) jsou si v určitém smyslu bližší než data v různých shlucích příznakově orientovaná metoda klasifikace; příznaky - popisují daný klasifikovaný objekt 47

Příklad klasifikace klasické Klasická třída č.5. Klasická třída č. 6 obsahující objekty typu třídy 5 (řádek 7). 48

Zhuštěná sumární informace Typické, reprezentativní segmenty (nejblíže těžišti) a jejich procentuální zastoupení - multikanálová sumární informace Časový profil ukazuje členství segmentu ve třídě v průběhu času Třídy seřazeny podle velikosti amplitudy Barva - indikuje třídu segmentu v originálním EEG záznamu 49

Strukturální schématický popis EEG časový profil záznamu Lékař má k dispozici efektivní nástroj, umožňující pomocí kursoru vybrat příslušnou část originálního záznamu a pokračovat v prohlížení. Buďto v časové oblasti EEG, nebo ve schematickém diagramu. K tomu může zobrazit sumární multikanálovou informaci o typu EEG aktivity 50

Srovnání s dalšími metodami - CSA - metoda zhuštěných spektrálních kulis - informace pouze ve frekvenční oblasti-ztrácíme tvar grafoelementů 51

Příklad detekce spánkových stavů novorozence pomocí vyhlazení časových profilů (120 min záznamu) VISUAL EVALUATION AWAKE QUIET SLEEP ACTIVE SLEEP QUIET SLEEP ACTIVE SLEEP QSLEEP AWAKE 52

Vybrané publikace v časopisech s impakt faktorem -www.skolicka.fbmi.cvut.cz 53