Raumenų aktyvumo matavimo duomenų apdorojimo algoritmo sudarymas ir tyrimas
Žižienė, Jurgita | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Baigiamajame magistro darbe nagrinėjamas kompiuterinių algoritmų pritaikymas elektromiografijos duomenims apdoroti ir analizuoti. Apžvelgiama aktuali mokslinė literatūra, susijusi su elektromiografijos duomenų analize, cerebriniu paralyžiumi sergančių vaikų eisenos ypatumais, tyrimuose taikomais metodais eisenai klasifikuoti bei koaktyvacijos (CoA) skaičiavimu. Atliktos teorinės analizės pagrindu, pasirinktos aktualiausios tikslinės signalo apdorojimo metodų sekos, kurios toliau naudojamos klasifikavimo algoritmams kurti ir tirti bei koaktyvacijos skaičiavimo metodai. Darbe pasirinkti trys mašininio mokymosi algoritmai (atramos vektoriaus mašinos (SVM), artimiausio kaimyno algoritmas (KNN) bei sprendimų medžiai (DT)) ir keturi iš elektromiografijos eisenos duomenų išskirti parametrai: vidutinė kvadratinė vertė (RMS), vidutinė absoliuti vertė (MAV), integruotas EMG (iEMG) ir koaktyvacija (CoA), kuriais siekta parinkti geriausią tikslinės grupės tiriamųjų eisenos duomenų klasifikavimo algoritmą. Algoritmai įvertinti pagal patikimumą, tikslumą, jautrumą, F1 balą ir AUC balą. Geriausias patikimumas gautas RMS+KNN algoritmu (95 %) taip pat CoA2+KNN (95,24 %) ir iEMG+KNN (95 %) algoritmais. Gauti rezultatai aptarti diskusijoje ir pateiktos išvados bei pasiūlymai tyrimui tęsti. Suformuluotos pagrindinės rekomendacijos tyrėjams. Darbą sudaro: įvadas, EMG signalų apdorojimo ir analizės būdų aptarimas, koaktyvacijos skaičiavimo aptarimas, tyrimo metodika, rezultatai ir diskusija bei išvados.Darbo apimtis - 50 p. teksto, 18 paveikslų, 4 lentelės, 54 bibliografiniai šaltiniai.
The master's final thesis examines the application of computer algorithms for processing and classification of electromyography gait research data. Literature related to the analysis of electromyography data, gait characteristics of children with cerebral palsy, methods used in research to classify gait and methods for calculation of coactivation (CoA) are analyzed. After the literature analysis, sequences of signal processing methods were selected, which are further used to develop and test classification algorithms and coactivation calculation methods. The work uses three machine learning algorithms (support vector machines (SVM), nearest neighbor algorithm (KNN) and decision trees (DT)) and four parameters extracted from electromyography gait analysis: root mean square (RMS), mean absolute value (MAV), integrated EMG (iEMG) and coactivation (CoA), which were used to select the best algorithm for the classification of gait data of cerebral palsy patients and control subjects. Each algorithm was evaluated by accuracy, sensitivity, precision, F1 score and AUC score. The best overall accuracy was obtained by the RMS+KNN algorithm (95%), as well as by the CoA2+KNN (95.24%) and iEMG+KNN (95%) algorithms. The results are discussed in the discussion and conclusions and suggestions, for further research, as well as limitations of the study are presented. The work includes: introduction, discussion of EMG signal processing and analysis methods, discussion of coactivation calculation, research methodology, results and discussion, and conclusions.The volume of work - 50 p. of text , 18 figures, 4 tables, 54 bibliographic sources.