Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Identification of microrecording artifacts with wavelet analysis and convolutional neural network: an image recognition Approach

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00023752%3A_____%2F19%3A43920000" target="_blank" >RIV/00023752:_____/19:43920000 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/68407700:21230/19:00334854 RIV/68407700:21460/19:00334854 RIV/00216208:11110/19:10398954 RIV/00064165:_____/19:10398954

  • Výsledek na webu

    <a href="https://content.sciendo.com/configurable/contentpage/journals$002fmsr$002f19$002f5$002farticle-p222.xml" target="_blank" >https://content.sciendo.com/configurable/contentpage/journals$002fmsr$002f19$002f5$002farticle-p222.xml</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.2478/msr-2019-0029" target="_blank" >10.2478/msr-2019-0029</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Identification of microrecording artifacts with wavelet analysis and convolutional neural network: an image recognition Approach

  • Popis výsledku v původním jazyce

    Deep brain stimulation (DBS) is an internationally accepted form of treatment option for selected patients with Parkinson’s disease and dystonia. Intraoperative extracellular microelectrode recordings (MER) are considered as the standard electrophysiological method for the precise positioning of the DBS electrode into the target brain structure. Pre-processing of MERs is a key phase in clinical analysis, with intraoperative microelectrode recordings being prone to several artifact groups (up to 25 %). The aim of this methodological article is to provide a convolutional neural network (CNN) processing pipeline for the detection of artifacts in an MER. We applied continuous wavelet transform (CWT) to generate an over-complete time–frequency representation. We demonstrated that when attempting to find artifacts in an MER, the new CNN + CWT provides a high level of accuracy (ACC = 88.1 %), identifies individual classes of artifacts (ACC = 75.3 %) and also offers artifact time onset detail, which can lead to a reduction in false positives/negatives. In summary, the presented methodology is capable of identifying and removing various artifacts in a comprehensive database of MER and represents a substantial improvement over the existing methodology. We believe that this approach will assist in the proposal of interesting clinical hypotheses and will have neurologically relevant effects.

  • Název v anglickém jazyce

    Identification of microrecording artifacts with wavelet analysis and convolutional neural network: an image recognition Approach

  • Popis výsledku anglicky

    Deep brain stimulation (DBS) is an internationally accepted form of treatment option for selected patients with Parkinson’s disease and dystonia. Intraoperative extracellular microelectrode recordings (MER) are considered as the standard electrophysiological method for the precise positioning of the DBS electrode into the target brain structure. Pre-processing of MERs is a key phase in clinical analysis, with intraoperative microelectrode recordings being prone to several artifact groups (up to 25 %). The aim of this methodological article is to provide a convolutional neural network (CNN) processing pipeline for the detection of artifacts in an MER. We applied continuous wavelet transform (CWT) to generate an over-complete time–frequency representation. We demonstrated that when attempting to find artifacts in an MER, the new CNN + CWT provides a high level of accuracy (ACC = 88.1 %), identifies individual classes of artifacts (ACC = 75.3 %) and also offers artifact time onset detail, which can lead to a reduction in false positives/negatives. In summary, the presented methodology is capable of identifying and removing various artifacts in a comprehensive database of MER and represents a substantial improvement over the existing methodology. We believe that this approach will assist in the proposal of interesting clinical hypotheses and will have neurologically relevant effects.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    20601 - Medical engineering

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/NV19-04-00233" target="_blank" >NV19-04-00233: Klinické, zobrazovací a biologické prediktory účinků hluboké mozkové stimulace u Parkinsonovy nemoci</a><br>

  • Návaznosti

    V - Vyzkumna aktivita podporovana z jinych verejnych zdroju

Ostatní

  • Rok uplatnění

    2019

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Measurement Science Review

  • ISSN

    1335-8871

  • e-ISSN

  • Svazek periodika

    19

  • Číslo periodika v rámci svazku

    5

  • Stát vydavatele periodika

    PL - Polská republika

  • Počet stran výsledku

    10

  • Strana od-do

    222-231

  • Kód UT WoS článku

    000489311900005

  • EID výsledku v databázi Scopus

    2-s2.0-85074544169