Algoritmy a struktury neuropočítačů ASN - P10

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

Algoritmy a struktury neuropočítačů ASN P09. Analýza emocionální řeči neuronovými sítěmi Proč?

Algoritmy a struktury neuropočítačů ASN - P11

Zpracování biologických signálů umělými neuronovými sítěmi

5. Umělé neuronové sítě. Neuronové sítě

Speciální struktury číslicových systémů ASN P12

Analýza a zpracování digitálního obrazu

Neuronové časové řady (ANN-TS)

Algoritmy a struktury neuropočítačů ASN P3

Epilepsie. Silvia Čillíková FEL ČVUT. 9th May 2006

Neubauer, K. a kol. NEUROGENNÍ PORUCHY KOMUNIKACE U DOSPĚLÝCH (Praha, Portál, r. vydání 2007).

Využití virtuální reality v rehabilitační péči. A. Bohunčák, M. Janatová, M. Tichá FBMI ČVUT v Praze, 1. LF UK

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

Algoritmy a struktury neuropočítačů ASN P4. Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby

Algoritmy a struktury neuropočítačů ASN P8b

Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc

PaedDr. Lenka Dohnalová RNDr. Tomáš Fürst, PhD. Katedra Hv PdF UP Olomouc

Biofyzikální ústav LF MU Brno. jarní semestr 2011

Využití metod strojového učení v bioinformatice David Hoksza

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

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

VYHODNOCOVÁNÍ DAT Z MĚŘENÍ POHYBU POMOCÍ 3D KAMERY S AKTIVNÍMI MARKERY

NEUROKOGNITIVNÍ TRÉNINK PRVNÍ ZKUŠENOSTI U DLOUHODOBĚ HOSPITALIZOVANÝCH PACIENTŮ

fluktuace jak dob trvání po sobě jdoucích srdečních cyklů, tak hodnot Heart Rate Variability) je jev, který

Klasifikace hudebních stylů

přesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod

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

SIGNÁLY A LINEÁRNÍ SYSTÉMY

Úvod do zpracování signálů

SIGNÁLY A LINEÁRNÍ SYSTÉMY

Rosenblattův perceptron

Vliv přístroje SOMAVEDIC Medic na poruchy magnetických polí

Ambasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013

Grafika na počítači. Bc. Veronika Tomsová

KTE/TEVS - Rychlá Fourierova transformace. Pavel Karban. Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni

FN Olomouc je jedním ze 13 komplexních onkologických center v České republice, do kterých je soustředěna nejnáročnější a nejdražší

Akustické aplikace pro IB

Diagnostika a rehabilitace strabismu (šilhavosti) Petr Novák - ČVUT FEL, katedra kybernetiky (za pomoci FN Motol a Polikliniky Barrandov)

Specifické poruchy učení ÚVOD. PhDr. Jarmila BUREŠOVÁ

Algoritmy a struktury neuropočítačů ASN - P13

Neuronové sítě Ladislav Horký Karel Břinda

Cévní mozková příhoda. Petr Včelák

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ

Martina Mulačová, Dagmar Krajíčková Neurologická klinika LF UK a FN Hradec Králové

Lineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ

Fyziologická akustika. fyziologická akustika: jak to funguje psychologická akustika: jak to na nás působí

6.4 Zpracování elektroencefalografických záznamů pomocí umělých neuronových sítí

Lymfoscintigrafie horních končetin u pacientek po mastektomii

SPECIFICKÉ ZVLÁŠTNOSTI OSOB S MENTÁLNÍM POSTIŽENÍM

Trénink kognitivních funkcí v domácím prostředí

Trénování sítě pomocí učení s učitelem

Elektroencefalografie. X31LET Lékařská technika Jan Havlík Katedra teorie obvodů

Moderní systémy pro získávání znalostí z informací a dat

Lineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně

CW01 - Teorie měření a regulace

Pohled pacientů s Parkinsonovou nemocí a jejich rodin na péči na konci života. Radka Bužgová, Radka Kozáková

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

1. KRITÉRIA HODNOCENÍ ZKOUŠEK A DÍLČÍCH ZKOUŠEK SPOLEČNÉ ČÁSTI 1.1 ZPŮSOB VÝPOČTU A VYJÁDŘENÍ VÝSLEDKU HODNOCENÍ ZKOUŠEK SPOLEČNÉ ČÁSTI

Rozpoznávání písmen. Jiří Šejnoha Rudolf Kadlec (c) 2005

Jménem celého našeho týmu Vás vítám na naší prezentaci týmového projektu. Petr Kolář, Jan Šír, Kristýna Juchelková, Jakub Vraný

Přehled vhodných metod georeferencování starých map

Geometrické transformace

1. lékařská fakulta UK a VFN

Sítě SFN Systém pro analýzu a vizualizaci pokrytí a rušení vysílacích sítí

Pokročilé operace s obrazem

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

Elektroencefalografie. X31ZLE Základy lékařské elektroniky Jan Havlík Katedra teorie obvodů

Využití E-learningové formy výuky v oboru fyzioterapie

13 Měření na sériovém rezonančním obvodu

Klasifikace předmětů a jevů

VY_32_INOVACE_E 15 03

Regulační diagramy (RD)

Možnosti terapie psychických onemocnění

Terestrické 3D skenování

PROFILOVÁ ČÁST MATURITNÍ ZKOUŠKY 2013 v oboru: M/001 OBRAZOVÁ A ZVUKOVÁ TECHNIKA TECHNICKÉ ZAMĚŘENÍ

OSA. maximalizace minimalizace 1/22

KOMUNIKAČNÍ A SLOHOVÁ VÝCHOVA - čtení - praktické plynulé čtení. - naslouchání praktické naslouchání; věcné a pozorné naslouchání.

Psychologické aspekty školní úspěšnosti

- naslouchání praktické naslouchání; věcné a pozorné naslouchání. - respektování základních forem společenského styku.

Specifické poruchy učení

Primární zpracování radarového signálu dopplerovská filtrace

Alternativní ovládání PC a okolí

Digitální učební materiál

1. lékařská fakulta. Centrum pro experimentální biomodely

8. Sběr a zpracování technologických proměnných

Maturitní otázky z předmětu MATEMATIKA

PARKINSONOVA NEMOC Z POHLEDU PSYCHIATRA. MUDr.Tereza Uhrová Psychiatrická klinika I.LF UK a VFN Praha

Technická diagnostika, chyby měření

Hodnocení map. Přednáška z předmětu Tematická kartografie (KMA/TKA) Otakar Čerba Západočeská univerzita

Spasticita jako projev maladaptivní plasticity CNS po ischemické cévní mozkové příhodě a její ovlivnění botulotoxinem. MUDr.

Václav Syrový: Hudební akustika, Praha 2003, s. 7

Neurofeedback. Úvod. Princip

ROZ I. CVIČENÍ V. Morfologické operace v obraze teorie & praxe

Rehabilitace je samozřejmá a nezbytná součást komplexní péče o spinální pacienty. Po chirurgickém řešení je jedinou léčbou, která může pacientovi

Kalkulace závažnosti komorbidit a komplikací pro CZ-DRG

Umělé neuronové sítě

Využití strojového učení k identifikaci protein-ligand aktivních míst

Geometrická optika. Vnímání a měření barev. světlo určitého spektrálního složení vyvolá po dopadu na sítnici oka v mozku subjektivní barevný vjem

Laserové skenování (1)

Transkript:

Aplikace UNS v medicíně Oblasti zpracování: modelování, zpracování biologických signálů, diagnostika, prognostika Neuronové sítě zabraňují modifikaci informačního obsahu oproti originálním datům ( to se děje u konvenčních metod při předzpracování signálů ) Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších metod určování diagnóz pro pacienty Modelování - simulace a modelování funkcí mozku a neurosenzorů Zpracování biologických signálů - filtrace - ohodnocování biosignálů

Systém řízení a kontroly - přístroje založené na odezvách biologických nebo technických systémů na určité signály. Klasifikace - interpretace fyzikálních a instrumentálních nálezů k určení přesnější diagnózy Predikce - neuronová síť dělá prognózu informací založenou na předchozí analýze parametrů Použitá artchitektura nejčastěji vícevrstvé NN s BPG Srovnání neuronových sítí a konvenčních výpočetních systémů Konvenční metody: matematicky přesné výsledky algoritmizace lineárních a nelineárních funkcí transformace do matematických funkcí Neuronové sítě: trenink, iterativní proces řešení problému je obsaženo v matici synaptických vah schopnost adaptace, přizpůsobení nevýhoda nutností je dlouhodobá zkušenost s UNS

Plánování projektu: zvážit potřeby a možnosti při tvorbě databáze návrh prototypu trénink UNS, výkon, potřebná doba posouzení vhodnosti návrhu a způsobu ověření Řízení projektu: výběr metod pro iterativní a optimalizační proces výběr metod pro ověření Archivace dat: sjednocení dat a výsledků experimentů uložení dat, architektury sítě, výsledků Dokumentace: pečlivá dokumentace experimentálních výsledků dokumentace k použitému softwaru (manuál, návod k použití programu, blokové schema, vývojový diagram) dokumentace podmínek experimentu Důvod: modifikace úlohy, opakování procesu za stejných podmínek

Co je třeba uložit? 1. Název programu, úlohy 2. Název dílčí části 3. Detaily a okolnosti sběru dat (čas, datum, místo ) 4. Přídavné informace ( parametry a vlastnosti, které nejsou obsaženy v databázi) 5. Datum vytvoření 6. Číslo verze 7. Umístění (disk, direktorář, cesta) 8. Detaily další modifikace (datum, autor, popis změny) Co uložit z podmínek pro experimenty? 1. Verze softwaru použitého pro trénink UNS, pro předzpracování a výsledné zpracování 2. Architektura UNS, topologie atd. 3. Parametry použité při předzpracování a konečném zpracování výsledků 4. Soubory dat použité pro trénink, validaci a test 5. Způsob a posloupnost při sestavování databází 6. Detaily trénování (počet epoch, kritérium ukončení, parametry učení) 7. Váhy a prahy UNS (včetně inicializačních)

Návštěva v lidském mozku: jak vzniká řeč? 16.10.2009 12:23 Původní zpráva Týden.cz Vědci z Kalifornské univerzity využili vzácné příležitosti studovat pomocí elektrod zanořených do mozku proces vzniku mluvené řeči. Mohli pozorovat zpracování slov s přesností, o jaké se jim dosud ani nesnilo. Už téměř 150 let je známo, že klíčovou roli ve zpracování řeči hraje takzvané Brocovo centrum v čelním laloku levé poloviny mozku. Je-li narušeno, člověk ztrácí schopnost řeči, i když jeho intelektuální schopnosti poškozeny nejsou. Ale o přesném způsobu, jakým zpracování řeči v tomto centru probíhá, bylo dosud známo poměrně málo.

Elektrody pro epilepsii Odborníkům z Kalifornské univerzity se naskytla výjimečná příležitost. Získali svolení tří pacientů trpících epilepsií, aby v rámci chirurgické léčby provedli i experimenty studující vznik řeči. Pacienti se měli podrobit operaci, při níž se jim lékaři chystali odstranit malé části mozku, které způsobovaly epileptické záchvaty. Před operací pacienti dostali do mozku elektrody umožňující přesně lokalizovat místa vzniku záchvatů. Elektrody monitorovaly i Brocovo centrum a pacienti souhlasili s tím, že se před operací podrobí jednoduchým pokusům. Pokusy se týkaly zpracování jednotlivých slov. Pacienti měli za úkol uvědomit si význam zobrazeného slova, aplikovat na ně gramatická pravidla (například změnit osobu a čas slovesa) a poté slovo vyslovit. Vědci mohli sledovat, co se při tom v mozku děje, a to s přesností na milimetry a tisíciny sekundy. Brocovo centrum vykázalo aktivitu v časech 200, 320 a 450 milisekund po zadání úkolu, přičemž tyto časy byly stejné u všech pacientů a bez ohledu na to, zda se jednalo o sloveso nebo o podstatné jméno. Ukázalo se, že mozek dílčí úkoly nutné k vyslovení slova zpracovává postupně, nikoli paralelně, jak někteří odborníci spekulovali. Jednotlivé kroky probíhají v různých částech Brocova centra, které se však prostorově částečně překrývají. Výsledky výzkumu vědci zveřejnili v dnešním vydání časopisu Science.

Jazyk, řeč a jejich poruchy Činnost mozku se odlišuje při zpracování fonologické, ortografické, lexikální a sémantické informace. Činnost mozku se liší při zpracování vstupních a výstupních informací. Tvorba a rozlišení různých slovních druhů se děje v odlišných korových systémech. Abstraktní a konkrétní podstatná jména a slovesa aktivují převážně levostrannou čelní a spánkovou kůru, slovesa aktivují pouze dorzolaterální čelní a laterální spánkovou kůru. Zpracování abstraktních podstatných jmen aktivuje pravý temporální pól a amygdalu a oboustranně spodní čelní kůru. Zpracování konkrétních podstatných jmen neaktivuje výrazně žádnou korovou oblast. Rozlišování písmen - korová aktivita na hranicích týlní a spánkové kůry vlevo. Čtení slov aktivuje distribuovaný levostranný neuronální systém.

Rozlišení slyšených slov aktivuje levý horní a střední spánkový závit. Psaná slova aktivují zadní část levého středního temporálního závitu. Různé sémantické kategorie aktivují různé části mozku. Brocova oblast ovlivňuje motorickou složku řeči. Při opakování slov se Brocova oblast neaktivuje.

Objektivizace procesu rehabilitace osob s mozkovou dysfunkcí analýzou funkce ruky pomocí UNS Problém: zvětšující se počet pacientů s poškozením mozku Náhlá mozková příhoda, stavy po úrazech, následky vertebrogenních a jiných neurologických onemocnění Cíle: - extrakce a analýza funkčních parametrů pacientů - rozdělení pacientů do skupin podle závažnosti postižení - sledování vývoje pacientů po stacionáři - vytvoření metodiky měření funkčních parametrů Výběr vhodné neuronové sítě pro interpretaci výsledků KSOM, Supervised KSOM Výběr vhodné metody pro měření funkčních parametrů 3D videografie (motion capture) Definice signifikantních pohybů a umístění markerů ve spolupráci s lékaři Kliniky rehabilitačního lékařství 1. LF UK

3D - videografie - systém 3 kamer, IR markerů pro zachycení prostorových souřadnic pohybů - vzorkování 100 Hz - Výstup: sekvence hodnot pro osu x,y,z a pořadí vzorků Dříve Náramek pro detekci a monitorování pohybu Motivace pacientů: možnost sledování úspěšnosti a správnosti terapie Nyní Na klinice i v domácím prostředí Přenos dat do řídícího centra Firma PRINCIP

ASN - P11 14 osob: 6 zdravých kontrolních osob 2 pacienti s CMP 4 pacienti s poúrazovými stavy 1 pacient s roztroušenou sklerózou 1 zdravý sportovec Doba sběru dat: 7 měsíců Předzpracování dat: filtrace, FFT Kontrola získaných dat: vizualizace, animace Vypočtené funkční parametry z dat Prostorový úhel svíraný končetinou a jeho vývoj v čase (maximální a minimální dosažená hodnota)! Filtrace klouzavými průměry a detekcí maxim Výpočet periody opakování pohybu! Poloha maximální frekvence v hlavní rovině pohybu

Kohonenovy samoorganizující se mapy Velikost: 15x15 neuronů ve výstupní vrstvě velká mapa roste kvantizační chyba malá mapa roste topologická chyba Funkce okolí: Gaussián s inicializačním poloměrem 30 a konečným 1 Hexagonální mřížka všesměrová linearita Dávkové učení, linearní inicializace Lineární learning rate

těžce poškozená hybnost ruky

Max.úhel Min.úhel Perioda opakování Frekvence a b c d a) Flexe a extenze v lokti Žlutá = pacient s CMP b) Flexe a extenze v zápěstí c) Flexe a extenze v zápěst s oporou d) Rotace zápěstí (vychýlení zápěstí z osy rotace)

Analýza běžných pohybů - úchop, posunutí předmětu nebylo možné snímat špatná viditelnost markerů při 3D videografii Zlepšení: při použití náramků pro detekci pohybu Výsledky klasifikace pomocí klasických KSOM jsou lepší, než klasifikace pomocí KSOM s učitelem subjektivní labelování zhoršení generalizace Potvrzeny předpoklady lékařů a fyzioterapeutů Vizualizace shluků je vhodnější, než analytické vyjádření Pilotní studie potvrdila možnost využít KSOM k rozlišení - pacientů s mozkovou dysfuncí od zdravých osob - pacientů s rozdílnou diagnózou (dysfunkce způsobená CMP, poúrazovými stavy, nádorem a pod) - časového vývoje rehabilitace

Souvislost mezi prozodickými parametry a emotivní řečí Barvu hlasu (témbr) - přímý obraz fyziologického stavu mluvčího. Zpracování řeči posuzujeme ze tří pohledů: akustického měřitelné a matematicky popsatelné parametry percepčního souvisí s vnímáním promluvy posluchačem lingvistického posloupnost abstraktních jednotek (fonémů, grafémů apod.) Prozodie je součástí všech tří rovin, může, do jisté míry, vyjádřit kontext. Může sdělení ironizovat, přijmout nebo odmítnout. Příznaková prozodie přítomnost emocí a postojů Emoce a hudba Hledání parametrů popisujících emoce hudební teorie.

Důležité: absolutní výška F0 frekvenční poměry Posun F0 do vyšších hodnot nás aktivizuje (radost, strach). Pokud je dodržen poměr libovolného tónu s ostatními, vnímáme melodii stejně, pro libovolný tón. Metoda je založena na myšlence hudebních intervalů: Kmitočtový rozdíl mezi určitým n-tónem a referenčním tónem. Kvintový kruh kvinta = f3/f2 k n n 1 x x 1.5 geometrická řada tonová affinita zmenšuje se od n=1 do n=7 - zvětšuje se od n=8 do n=13

ASN - P11 Oktávová příbuznost : největší forma příbuznosti - stejná barvou. Kvintová příbuznost: blízkost odstínů. Čísla u tónů - pořadí v chromatické stupnici. S rostoucí hodnotou indexu roste i kmitočet tónu. Z bodu 1 do bodu 2 - pocit negativní emoce (barvy nejsou příbuzné = vzdálená kvintová příbuznost). Z bodu 2 do bodu 3 - záporný vjem vystřídá pocit pozitivní emoce - blízká kvintová příbuzností (blízký barevný odstín) (Obrázek převzat z [MICH00])

ASN - P11 Klasifikace emocí 1-slovo

Klasifikace emocí věta