Supervised Segmentation of Microelectrode Recording Artifacts Using Power Spectral Density

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F15%3A00233642" target="_blank" >RIV/68407700:21230/15:00233642 - isvavai.cz</a>

Výsledek na webu

<a href="http://emb.citengine.com/event/embc-2015/paper-details?pdID=4502" target="_blank" >http://emb.citengine.com/event/embc-2015/paper-details?pdID=4502</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/EMBC.2015.7318661" target="_blank" >10.1109/EMBC.2015.7318661</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Supervised Segmentation of Microelectrode Recording Artifacts Using Power Spectral Density

Popis výsledku v původním jazyce

Appropriate detection of clean signal segments in extracellular microelectrode recordings (MER) is vital for maintaining high signal-to-noise ratio in MER studies. Existing alternatives to manual signal inspection are based on unsupervised change-point detection. We present a method of supervised MER artifact classification, based on power spectral density (PSD) and evaluate its performance on a database of 95 labelled MER signals. The proposed method yielded test-set accuracy of 90%, which was close tothe accuracy of annotation (94%). The unsupervised methods achieved accuracy of about 77% on both training and testing data.

Název v anglickém jazyce

Supervised Segmentation of Microelectrode Recording Artifacts Using Power Spectral Density

Popis výsledku anglicky

Appropriate detection of clean signal segments in extracellular microelectrode recordings (MER) is vital for maintaining high signal-to-noise ratio in MER studies. Existing alternatives to manual signal inspection are based on unsupervised change-point detection. We present a method of supervised MER artifact classification, based on power spectral density (PSD) and evaluate its performance on a database of 95 labelled MER signals. The proposed method yielded test-set accuracy of 90%, which was close tothe accuracy of annotation (94%). The unsupervised methods achieved accuracy of about 77% on both training and testing data.

Druh

D - Stať ve sborníku

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2015

Kód důvěrnosti údajů

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

Název statě ve sborníku

IEEE EMBC 2015 Proceedings (Milano)

ISBN

9781424492718

ISSN

1557-170X

e-ISSN

—

Počet stran výsledku

4

Strana od-do

1524-1527

Název nakladatele

IEEE

Místo vydání

Milano

Místo konání akce

Milano

Datum konání akce

25. 8. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—