Classification of the Tremor signal from Accelerometers and Gyroscopes in Multiple Sclerosis
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F23%3A00368717" target="_blank" >RIV/68407700:21230/23:00368717 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Classification of the Tremor signal from Accelerometers and Gyroscopes in Multiple Sclerosis
Popis výsledku v původním jazyce
Tremor, an involuntary rhythmic oscillatory movement of a body part is a common problem for patients suffering from multiple sclerosis (MS). This paper aims to use accelerometric and gyroscopic measurements of postural tremor from the upper limbs to determine whether a patient suffers from MS. The used data includes signals from a group of 16 MS patients (3 males and 13 females) and a group of 18 healthy control subjects (9 males and 9 females). Methods involving neural networks were used for signal classification from the power spectral density (PSD) of the given signals. Different fully-connected neural network (FNN), convolutional neural network (CNN) and recurrent neural network (RNN) architectures were explored. The best reached results were a recall of 100% and a precision of 89%, achieved by one of the proposed CNN models.
Název v anglickém jazyce
Classification of the Tremor signal from Accelerometers and Gyroscopes in Multiple Sclerosis
Popis výsledku anglicky
Tremor, an involuntary rhythmic oscillatory movement of a body part is a common problem for patients suffering from multiple sclerosis (MS). This paper aims to use accelerometric and gyroscopic measurements of postural tremor from the upper limbs to determine whether a patient suffers from MS. The used data includes signals from a group of 16 MS patients (3 males and 13 females) and a group of 18 healthy control subjects (9 males and 9 females). Methods involving neural networks were used for signal classification from the power spectral density (PSD) of the given signals. Different fully-connected neural network (FNN), convolutional neural network (CNN) and recurrent neural network (RNN) architectures were explored. The best reached results were a recall of 100% and a precision of 89%, achieved by one of the proposed CNN models.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20201 - Electrical and electronic engineering
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2023
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
2023 International Conference on Applied Electronics
ISBN
979-8-3503-3553-8
ISSN
1803-7232
e-ISSN
—
Počet stran výsledku
4
Strana od-do
67-70
Název nakladatele
Západočeská univerzita v Plzni
Místo vydání
Plzeň
Místo konání akce
Plzeň
Datum konání akce
6. 9. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—