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 Generative Networks for Algorithm Development in Implantable Neural Technology

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F22%3APU146334" target="_blank" >RIV/00216305:26220/22:PU146334 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/68407700:21460/22:00362829 RIV/68407700:21730/22:00362829

  • Výsledek na webu

    <a href="https://ieeexplore.ieee.org/document/9945379" target="_blank" >https://ieeexplore.ieee.org/document/9945379</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/SMC53654.2022.9945379" target="_blank" >10.1109/SMC53654.2022.9945379</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Deep Generative Networks for Algorithm Development in Implantable Neural Technology

  • Popis výsledku v původním jazyce

    Electrical stimulation of deep brain structures is an established therapy for drug-resistant focal epilepsy. The emerging implantable neural sensing and stimulating (INSS) technology enables simultaneous delivery of chronic deep brain stimulation (DBS) and recording of electrical brain activity from deep brain structures while patients live in their home environment. Long-term intracranial electroencephalography (iEEG) iEEG signals recorded by INSS devices represent an opportunity to investigate brain neurophysiology and how DBS affects neural circuits. However, novel algorithms and data processing pipelines need to be developed to facilitate research of these long-term iEEG signals. Early-stage analytical infrastructure development for INSS applications can be limited by lacking iEEG data that might not always be available. Here, we investigate the feasibility of utilizing the Deep Generative Adversarial Network (DCGAN) for synthetic iEEG data generation. We trained DCGAN using 3-second iEEG segments and validated synthetic iEEG usability by training a classification model, using synthetic iEEG only and providing a good classification performance on unseen real iEEG with an F1 score 0.849. Subsequently, we demonstrated the feasibility of utilizing the synthetic iEEG in the INSS application development by training a deep learning network for DBS artifact removal using synthetic data only and demonstrated the performance on real iEEG signals. The presented strategy of on-demand generating synthetic iEEG will benefit early-stage algorithm development for INSS applications.

  • Název v anglickém jazyce

    Deep Generative Networks for Algorithm Development in Implantable Neural Technology

  • Popis výsledku anglicky

    Electrical stimulation of deep brain structures is an established therapy for drug-resistant focal epilepsy. The emerging implantable neural sensing and stimulating (INSS) technology enables simultaneous delivery of chronic deep brain stimulation (DBS) and recording of electrical brain activity from deep brain structures while patients live in their home environment. Long-term intracranial electroencephalography (iEEG) iEEG signals recorded by INSS devices represent an opportunity to investigate brain neurophysiology and how DBS affects neural circuits. However, novel algorithms and data processing pipelines need to be developed to facilitate research of these long-term iEEG signals. Early-stage analytical infrastructure development for INSS applications can be limited by lacking iEEG data that might not always be available. Here, we investigate the feasibility of utilizing the Deep Generative Adversarial Network (DCGAN) for synthetic iEEG data generation. We trained DCGAN using 3-second iEEG segments and validated synthetic iEEG usability by training a classification model, using synthetic iEEG only and providing a good classification performance on unseen real iEEG with an F1 score 0.849. Subsequently, we demonstrated the feasibility of utilizing the synthetic iEEG in the INSS application development by training a deep learning network for DBS artifact removal using synthetic data only and demonstrated the performance on real iEEG signals. The presented strategy of on-demand generating synthetic iEEG will benefit early-stage algorithm development for INSS applications.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    20601 - Medical engineering

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/EF19_073%2F0016948" target="_blank" >EF19_073/0016948: Kvalitní interní granty VUT</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    2022 IEEE International Conference on Systems, Man, and Cybernetics (SMC)

  • ISBN

    978-1-6654-5258-8

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    1736-1741

  • Název nakladatele

    IEEE

  • Místo vydání

    Prague. Czechia

  • Místo konání akce

    Praha

  • Datum konání akce

    9. 10. 2022

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku