Аналіз електроміограм методами машинного навчання для виявлення хвороби Паркінсона

Скорочена інформація про документ
dc.contributor.advisorІванушкіна, Наталія Георгіївна
dc.contributor.authorМушта, Семен Андрійович
dc.date.accessioned2023-01-03T12:17:23Z
dc.date.available2023-01-03T12:17:23Z
dc.date.issued2022
dc.description.abstractenThe object of study is the signals of electrical activity of the muscles and brain. The subject of the work is the analysis of signals of electromyograms and electroencephalograms of healthy person and patient with Parkinson's disease. The purpose of the work is the development of method of EMG and EEG signals processing for Parkinson's disease detecting. The first section contains general statements about genesis and methods of diagnosis of Parkinson's disease, pathophysiology of the disease, causes and processes occurring in the body. The second section contains the basic methods of digital signal processing, as well as the characteristics of EMG and EEG. The third section contains different types of machine learning systems grouped into categories based on features. The main focus was made on supervised machine learning methods, which were further used in the development of the methodology. The fourth section is devoted to the development of a methodology for processing EMG and EEG signals for detecting Parkinson's disease. The discriminatory ability of the classification was compared separately on EEG and EMG parameters, as well as on their combination. The goal of the material in the first section is to provide a very brief introduction to Parkinson's disease and it`s nature. Unfortunately, it is a widespread disease which affects elders and has such symptoms as tremor, impairment, aggravation and retardation of the patient's motor activity and ability to move, increased body tone and muscle stiffness, impaired balance, altered speech and facial expression, depression, dementia, memory disorders, distracted attention, sleep 6 disturbance. In PD, there is degeneration of pigment neurons of the substantia nigra and other dopaminergic nuclear formations of the brainstem. Destruction of the substantia nigra neurons leads to depletion of dopamine reserves in the dorsal part of the shell (part of the basal ganglia). The goal of the material in the second section is to overview features of EMG and EEG signals as well as some basic methods of digital signal processing. The performance of any classifier in machine learning depends on many factors. One of these factors is the choice of the most informative set of features. The discrete wavelet transform (DWT) is widely used in signal and image processing applications, such as analysis, compression, and denoising. This transform is inherently suitable in the analysis of nonstationary signals. There are many transforms used in signal processing. Most of the frequently used transforms, including the DWT, are a generalization of the Fourier analysis. The goal of the material in the third section is to overview some basic methods of machine learning. Supervised learning has the presence of a supervisor as a teacher. Basically supervised learning is when we teach or train the machine using data that is well labelled. Which means some data is already tagged with the correct answer. After that, the machine is provided with a new set of examples(data) so that the supervised learning algorithm analyses the training data(set of training examples) and produces a correct outcome from labelled data [1]. The fourth section is about the development of methodology for processing EMG and EEG signals for detecting Parkinson's disease. The proposed method of multimodal data combination improves the detection of the FOG and gives significantly better results compared to the data obtained using a single modality.uk
dc.description.abstractukОб’єктом дослідження є сигнали електричної активності м’язів та мозку. Предмет роботи – аналіз сигналів електроміограм та електроенцефалограм здорової людини та пацієнтів з ознаками хвороби Паркінсона. Метою роботи є розробка методики обробки сигналів ЕМГ та ЕЕГ для виявлення хвороби Паркінсона. У першому розділі розглянуто загальні положення про генезис та методи діагностики хвороби Паркінсона, патофізіологія хвороби, причини виникнення та процеси, що відбуваються в організмі при цьому. У другому розділі описані основні методи цифрової обробки сигналів, а також характеристики ЕМГ та ЕЕГ. У третьому розділі показано різноманітні типи систем машинного навчання, згрупованих у певні категорії на основі ознак. Основна увага приділялася методам машинного навчання з вчителем, які далі використовувалися при розробці методики. Четвертий рοзділ присвячено розробці методики обробки сигналів ЕМГ та ЕЕГ для виявлення хвороби Паркінсона, було порівняно дискримінаційні здібності класифікації окремо за параметрами ЕЕГ та ЕМГ, а також за їх комбінацією.uk
dc.format.page113 с.uk
dc.identifier.citationМушта, С. А. Аналіз електроміограм методами машинного навчання для виявлення хвороби Паркінсона : магістерська дис. : 153 Мікро- та наносистемна техніка / Мушта Семен Андрійович. – Київ, 2022. – 113 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/51657
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectелектрична активність мʼязівuk
dc.subjectелектрична активність мозкуuk
dc.subjectобробка сигналів ЕМГ та ЕЕГuk
dc.subjectхвороба Паркінсонаuk
dc.titleАналіз електроміограм методами машинного навчання для виявлення хвороби Паркінсонаuk
dc.typeMaster Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Mushta_magistr.pdf
Розмір:
5.51 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ЕІ)
Магістерські роботи