1. New perspectives for computer-aided discrimination of Parkinson's disease and essential tremorPetra Povalej Bržan, J.A. Gallego, J. P. Romero, Vojko Glaser, E. Rocon, Julián Benito-León, Félix Bermejo-Pareja, Ignacio Posada, Aleš Holobar, 2017, original scientific article Abstract: Pathological tremor is a common but highly complex movement disorder, affecting ~5% of population older than 65 years. Different methodologies have been proposed for its quantification. Nevertheless, the discrimination between Parkinson's disease tremor and essential tremor remains a daunting clinical challenge, greatly impacting patient treatment and basic research. Here, we propose and compare several movement-based and electromyography-based tremor quantification metrics. For the latter, we identified individual motor unit discharge patterns from high-density surface electromyograms and characterized the neural drive to a single muscle and how it relates to other affected muscles in 27 Parkinson's disease and 27 essential tremor patients. We also computed several metrics from the literature. The most discriminative metrics were the symmetry of the neural drive to muscles, motor unit synchronization, and the mean log power of the tremor harmonics in movement recordings. Noteworthily, the first two most discriminative metrics were proposed in this study. We then used decision tree modelling to find the most discriminative combinations of individual metrics, which increased the accuracy of tremor type discrimination to 94%. In summary, the proposed neural drive-based metrics were the most accurate at discriminating and characterizing the two most common pathological tremor types.
Keywords: Parkinson's disease, essential tremor, electromyography, wrist movements, motor units, muscular excitation, decision tree
Published in DKUM: 03.11.2017; Views: 1699; Downloads: 426
 Full text (3,31 MB)
This document has many files! More... |
2. SLEPA LOČITEV VEČKANALNIH POVRŠINSKIH ELEKTROMIOGRAMOV DINAMIČNIH MIŠIČNIH SKRČITEVVojko Glaser, 2016, doctoral dissertation Abstract: Analiza elektromiogramov (EMG) je v medicini izredno pomembna in pogosto predstavlja ključen del diagnostike. V Laboratoriju za sistemsko programsko opremo UM FERI je bila v preteklosti razvita metoda kompenzacije konvolucijskih jeder (ang. convolution kernel compensation - CKC), ki signale EMG dekomponira na prispevke posameznih motoričnih enot. Ta metoda je bila obširno testirana in se je v primeru izometričnih mišičnih skrčitev izkazala za izredno učinkovito. V primeru dinamičnih mišičnih skrčitev pa nastopijo geometrijske deformacije mišičnega tkiva, ki močno zmanjšajo učinkovitost metode CKC.
V doktorski disertaciji podrobno preučimo spremembe površinskih signalov EMG pri dinamičnih mišičnih skrčitvah in predstavimo dva nova algoritma za njihovo dekompozicijo na prispevke motoričnih enot. Oba algoritma izhajata iz metode CKC. Prvi algoritem izkorišča v doktorski disertaciji predstavljeno ugotovitev, da so nepotujoče komponente akcijskih potencialov motoričnih enot (APME) bistveno manj občutljive na geometrijske spremembe mišice kot potujoče komponente APME in metodo CKC prilagodi zaznavi nepotujočih komponent APME. Drugi postopek temelji na dinamični obtežitvi prispevkov posameznih motoričnih enot v izmerjenih signalih EMG in s tem omogoči avtomatsko prilagajanje metode CKC dinamičnim spremembam APME.
Oba algoritma smo ovrednotili s sintetičnimi in z eksperimentalnimi površinskimi signali EMG. V ta namen smo obstoječi napredni simulator površnikih signalov EMG funkcionalno dogradili tako, da simulira dinamične mišične skrčitve in z njimi analizira vpliv šuma, prostorskih filtrov in razpona dinamičnih skrčitev na učinkovitost obeh predstavljenih algoritmov. Eksperimentalne signale smo izmerili nad mišicama vastus lateralis in rectus femoris pri petih zdravih mladih preiskovancih. Izmerili smo dve hitrosti upogiba kolenskega sklepa, in sicer 5 °/s in 10 °/s.
V vseh testih se je za najbolj učinkovito izkazala metoda z dinamično obtežitvijo prispevkov motoričnih enot, ki je v primeru mišice vastus lateralis z visoko natančnostjo razpoznala 6,5 ± 1,8, v primeru mišice rectus femoris pa 4,5 ± 1,6 motoričnih enot. Metoda, ki temelji na uporabi nepotujoče komponente APME, je bila statistično značilno manj učinkovita, še zlasti v primeru eksperimentalnih signalov EMG.
Keywords: slepa ločitev signalov, večkanalni površinski elektromiogram, prožilni vzorci motoričnih enot, dinamične mišične skrčitve, sistemi z več vhodi in več izhodi
Published in DKUM: 04.07.2016; Views: 1670; Downloads: 174
Full text (8,23 MB) |
3. |
4. Real-time motor unit identification from high-density surface EMGVojko Glaser, Aleš Holobar, Damjan Zazula, 2013, original scientific article Abstract: This study addresses online decomposition of high-density surface electromyograms (EMG) in real-time. The proposed method is based on previouslypublished Convolution Kernel Compensation (CKC) technique and sharesthe same decomposition paradigm, i.e. compensation of motor unit action potentials and direct identification of motor unit (MU) discharges. In contrast to previously published version of CKC, which operates in batch mode and requires ~ 10 s of EMG signal, the real-time implementation begins with batch processing of ~ 3 s of the EMG signal in the initialization stage and continues on with iterative updating of the estimators of MU discharges as blocks of new EMG samples become available. Its detailed comparison to previously validated batch version of CKC and asymptotically Bayesian optimal Linear Minimum Mean Square Error (LMMSE) estimator demonstrates high agreementin identified MU discharges among all three techniques. In the case of synthetic surface EMG with 20 dB signal-to-noise ratio, MU discharges were identified with average sensitivity of 98 %. In the case of experimental EMG, real-time CKC fully converged after initial 5 s of EMG recordings and real-time and batch CKC agreed on 90 % of MU discharges, on average. The real-time CKC identified slightly fewer MUs than its batch version (experimental EMG, 4 MUs versus 5 MUs identified by batch CKC, on average), but required only 0.6 s of processing time on regular personal computer for each second of multichannel surface EMG.
Keywords: discharge pattern, high-density EMG, surface EMG, motor unit, real time decomposition
Published in DKUM: 25.05.2015; Views: 1639; Downloads: 0 |
5. ANALIZA SEKVENČNE DEKOMPOZICIJE SESTAVLJENIH SIGNALOV S POMOČJO KOMPENZACIJE KONVOLUCIJSKIH JEDERVojko Glaser, 2010, master's thesis Abstract: Analiza bioelektričnih signalov, ki jih lahko izmerimo na človeškem telesu, je pomemben sestavni del diagnosticiranja v medicini. Klinična diagnoza za mnoge mišične in živčne bolezni se da postaviti dosti zanesljiveje, če lahko ugotovimo, kakšni so prispevki posameznih delov mišic v skupnem bioelektričnem signalu, imenovanem elektromiogram (EMG).
V Laboratoriju za sistemsko programsko opremo so razvili dekompozicijski postopek za signale EMG. Temelji na inverzu korelacijske matrike in se imenuje kompenzacija konvolucijskih jeder (CKC). Metoda je zelo uspešna in je bila obširno klinično preizkušena. CKC deluje bločno, z daljšimi odseki signalov, kar ne omogoča analize meritev v realnem času, zato je bil postopek modificiran v sekvenčno različico CKC, imenovano sekvenčna CKC (sCKC). Njeno bistvo je, da dela iterativno in posodablja komponente iz formule CKC med meritvami ob zajemu vsakega novega nabora vzorcev.
V magistrski nalogi smo izboljšali algoritme, vgrajene v sCKC, in delovanje nove zasnove preizkusili v različnih, zahtevnih razmerah. Najprej smo preverili vpliv števila vzorcev, ki so vključeni v inicializacijski del postopka. Izhajali smo iz CKC in ugotavljali, kako kratki so lahko signalni odseki, da so dekompozicijski rezultati še zadovoljivi. Pokazalo se je, da CKC da zadovoljive rezultate, če so signali dolgi vsaj 2 do 3 s, medtem ko se število zaznanih motoričnih enot (ME) pri signalih, daljših od 5 s, ne spreminja. Nato smo preverili, kako dobro se sCKC obnese pri dekompoziciji sintetičnih in realnih signalov EMG. V vseh primerih je bil signalom dodan šum različnih moči, opredeljen z razmerjem signal-šum (SNR).
Pri razcepu sintetičnih EMG smo primerjali rezultate sCKC in referenčne metode LMMSE (Linear Minimum Mean Square Error). Za ocenjevanje sprejemljivosti dekomponiranih vlakov inervacijskih impulzov smo uporabljali dve meri: senzitivnost (število pravilno postavljenih impulzov) in delež napačno postavljenih impulzov. V vseh šumnih primerih je sCKC zaznala število ME, primerljivo s številom ME pri CKC, to pa je med 5 in 10 ME. Preizkušali smo tudi vpliv števila vzorcev, vključenih v posamezen posodobitveni korak, in ugotovili, da število vzorcev v posodobitvenem koraku vpliva izključno na čas izvajanja sCKC, ki se z večanjem števila vzorcev povečuje s kubom. Z analizo dekompozicije sintetičnih EMG smo lahko nazorno pokazali, da CKC in sCKC uspešno odkrijeta motorične enote (ME), ki so najbliže merilnim elektrodam. Oddaljenost oziroma globina razpoznanih ME v mišici je večja, če je SNR večji.
Izboljšano sCKC smo preizkusili tudi z realnimi signali EMG. Izmerjeni so bili pri krčenju dveh različnih mišic, in sicer biceps brachii in tibialis anterior. Za referenčno metodo je služila CKC, saj LMMSE zahteva apriorne informacije o odzivih ME, ki pri realnih signalih niso znani. Ponovno se je sCKC postavila ob bok CKC glede na število zaznanih ME, ki smo jih zaznali med 3 in 9. Edina razlika je, da sCKC ustvari več nepopolnih dekompozicij, ki jih je glede na vse zaznane ME okoli 20 %.
Izhodiščna zahteva pri razvoju sCKC je bila, da deluje realnočasovno. Zato smo z analitičnimi izračuni časovne zahtevnosti in izmerjenimi časi posameznih delov algoritma sCKC pokazali, da je sCKC ob pravilni izbiri števila vzorcev v posodobitvi bistveno hitrejša od CKC, vendar na žalost še ne izpolnjuje pogojev za realnočasovno obdelavo.
Keywords: razcep sestavljenih signalov, kompenzacija konvolucijskih jeder, iterativno računanje matričnih inverzov, Sherman-Morrisonova formula, površinski elektromiogrami
Published in DKUM: 14.12.2010; Views: 2779; Downloads: 180
Full text (6,41 MB) |
6. |
