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”

Deep Learning for Accelerometric Data Assessment and Ataxic Gait Monitoring

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11150%2F21%3A10428922" target="_blank" >RIV/00216208:11150/21:10428922 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/60461373:22340/21:43922527 RIV/00179906:_____/21:10428922 RIV/68407700:21730/21:00354817

  • Výsledek na webu

    <a href="https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=Kda8cVpxJR" target="_blank" >https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=Kda8cVpxJR</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/TNSRE.2021.3051093" target="_blank" >10.1109/TNSRE.2021.3051093</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Deep Learning for Accelerometric Data Assessment and Ataxic Gait Monitoring

  • Popis výsledku v původním jazyce

    Ataxic gait monitoring and assessment of neurological disorders belong to important multidisciplinary areas that are supported by digital signal processing methods and machine learning tools. This paper presents the possibilityof using accelerometricdata to optimise deep learning convolutional neural network systems to distinguish between ataxic and normal gait. The experimental dataset includes 860 signal segments of 16 ataxic patients and 19 individuals from the control set with the mean age of 38.6 and 39.6 years, respectively. The proposed methodology is based upon the analysis of frequency components of accelerometric signals simultaneously recorded at specific body positionswith a sampling frequencyof 60Hz. The deep learning system uses all of the frequency components in a range of &lt; 0, 30 &gt; Hz. Our classification results are compared with those obtained by standard methods, which include the support vector machine, Bayesian methods, and the two-layer neural network with features estimated as the relative power in selected frequency bands. Our results show that the appropriate selection of sensor positions can increase the accuracy from 81.2% for the foot position to 91.7% for the spine position. Combining the input data and the deep learning methodology with five layers increased the accuracy to 95.8%. Our methodology suggests that artificial intelligence methods and deep learning are efficient methods in the assessment of motion disorders and they have a wide range of further applications.

  • Název v anglickém jazyce

    Deep Learning for Accelerometric Data Assessment and Ataxic Gait Monitoring

  • Popis výsledku anglicky

    Ataxic gait monitoring and assessment of neurological disorders belong to important multidisciplinary areas that are supported by digital signal processing methods and machine learning tools. This paper presents the possibilityof using accelerometricdata to optimise deep learning convolutional neural network systems to distinguish between ataxic and normal gait. The experimental dataset includes 860 signal segments of 16 ataxic patients and 19 individuals from the control set with the mean age of 38.6 and 39.6 years, respectively. The proposed methodology is based upon the analysis of frequency components of accelerometric signals simultaneously recorded at specific body positionswith a sampling frequencyof 60Hz. The deep learning system uses all of the frequency components in a range of &lt; 0, 30 &gt; Hz. Our classification results are compared with those obtained by standard methods, which include the support vector machine, Bayesian methods, and the two-layer neural network with features estimated as the relative power in selected frequency bands. Our results show that the appropriate selection of sensor positions can increase the accuracy from 81.2% for the foot position to 91.7% for the spine position. Combining the input data and the deep learning methodology with five layers increased the accuracy to 95.8%. Our methodology suggests that artificial intelligence methods and deep learning are efficient methods in the assessment of motion disorders and they have a wide range of further applications.

Klasifikace

  • Druh

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

  • CEP obor

  • OECD FORD obor

    30103 - Neurosciences (including psychophysiology)

Návaznosti výsledku

  • Projekt

    Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    IEEE Transactions on Neural Systems and Rehabilitation Engineering

  • ISSN

    1534-4320

  • e-ISSN

  • Svazek periodika

    29

  • Číslo periodika v rámci svazku

    MAR

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    8

  • Strana od-do

    360-367

  • Kód UT WoS článku

    000626331500016

  • EID výsledku v databázi Scopus

    2-s2.0-85099576318