Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: http://ena.lp.edu.ua:8080/handle/ntb/45524
Название: Методи і засоби вимірювання та комп’ютерного опрацювання біосигналів
Другие названия: Methods and assets of biosignal measuring and computer processing
Авторы: Хома, Ю. В.
Стадник, Б. І.
Микийчук, М. М.
Фріш, С.
Khoma, Y.
Stadnyk, B.
Mykyychuk, M.
Frish, S.
Принадлежность: Національний університет “Львівська політехніка”
SoftServe Inc.
Lviv Polytechnic National University
SoftServe Inc.
Библиографическое описание: Методи і засоби вимірювання та комп’ютерного опрацювання біосигналів / Ю. В. Хома, Б. І. Стадник, М. М. Микийчук, С. Фріш // Вимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник. — Львів : Видавництво Львівської політехніки, 2018. — Том 79. — № 3. — С. 5–16.
Bibliographic description: Methods and assets of biosignal measuring and computer processing / Y. Khoma, B. Stadnyk, M. Mykyychuk, S. Frish // Measuring equipment and metrology : scientific journal. — Vydavnytstvo Lvivskoi politekhniky, 2018. — Vol 79. — No 3. — P. 5–16.
Является частью издания: Вимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник, 3 (79), 2018
Measuring equipment and metrology : scientific journal, 3 (79), 2018
Журнал/сборник: Вимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник
Выпуск/№ : 3
Том: 79
Дата публикации: 26-фев-2018
Издательство: Видавництво Львівської політехніки
Место издания, проведения: Львів
Ключевые слова: біосигнал
біомедичні показники
завдання біоінформатики
методи біомедичних досліджень
комп’ютерне опрацювання біосигналів
Biomedical Performance Indicators
Bioinformatics
Research Methods
Biosignal Processing
Computing
Количество страниц: 12
Диапазон страниц: 5-16
Начальная страница: 5
Последняя страница: 16
Краткий осмотр (реферат): Проаналізовано можливості уніфікації структури комп’ютерної вимірювальної системи, орієнтованої на вирішення поширених завдань біоінформатики, на основі застосування обчислювальних потужностей сучасних комп’ютерних засобів, методів цифрового оброблення сигналів і алгоритмів машинного навчання. Виділено три групи методів формування біосигналів і наведено їх класифікацію. Охарактеризовано фактори, які ускладнюють опрацювання біосигналів, і показано перспективність застосування методів машинного навчання для визначення біомедичних показників.
Information about the psychophysiological state of humans is important not only in medical practice for the diagnosis of possible diseases but is also for affective informatics, biometrics, rehabilitation engineering, human-machine interaction, etc. Currently biosignals measurement instrumentations are highly specialized and designed to process the separate types of biosignals (ECG, EEG), or to perform the specific tasks, for example, medical diagnosis or biometry. Methods aimed obtaining final top-level information are still "manual" since they rely heavily on the expert’s experience. Purpose of current work is to consider the ways of provision the flexibility and functionality of bioinformatic means on the basis of computing platforms, digital signal processing methods and machine-learning algorithms. Genesis of biosignals is analyzed. Classification of biosignals generation methods is proposed: – biosignals, the primary nature of which is electric (sensing using of electrodes, e.g. EEG); – biosignals that reflect non-electrical processes in the body (formed by sensors, e.g MCG); – biosignals, which are a response to external stimuli (e.g. BIA). Factors that complicate the processing of biosignals are described. Different generation ways and parameter variabilities become the appreciable barrier for the structure unification of the computer-measuring systems. Another barrier is related to the dissimilarity of the algorithms of determining biomedical data. There exist the drivers that offer opportunities in providing the flexibility and functionality of the bioinformatics system. Such an approach makes possible to distribute the structural elements of a computer-measuring system into three groups: – individual items (electrodes, sensors, actuators, measuring cascade, stimulus formatter); – specific group (signal conditioning, ADC and DAC); – universal group (digital processing unit; computer with software, including library of machine learning algorithms). At the final stage an interpretation of the results is carried out.
URI (Унифицированный идентификатор ресурса): http://ena.lp.edu.ua:8080/handle/ntb/45524
Владелец авторского права: © Національний університет “Львівська політехніка”, 2018
URL-ссылки связанного материала: https://www.elsevier.com/books/ecgs-byexample/jenkins/978-0-7020-4228-7
https://www.springer.com/la/book/9783540895053
https://www.researchgate.net/profile/Nuno_Ferreira11/publication/224144496_Vital-JacketR_A_wearable_wireless_
http://scikit-learn.org/stable/modules/model_evaluation.html#accuracy-score
Список литературы: 1. R. Rangayyan. Biomedical Signal Analysis. A Case- Study Approach. John Willey and Sons Inc. 2002.
2. R. Singh, S. Conjeti, R. Banerjee, “Comparative evaluation of neural network classifiers for stress level analysis of automotive drivers using physiological signals”, Biomed. Signal Processing and Control, vol. 8, p. 740–744, 2013.
3. D. Jenkins, S. Gerred, ECGs by Example, 2011. Online.. Available: https://www.elsevier.com/books/ecgs-byexample/jenkins/978-0-7020-4228-7
4. K. Najarian, R. Splinter, Biomedical Signal and Image Processing. CRC Press Taylor & Francis Group, 2012.
5. Advanced Biosignal Processing. Ed. A. Nait-Ali, 2009. Online.. Available: https://www.springer.com/la/book/9783540895053
6. С. Оглоблин, А. Молчанов, Инструментальная «детекция лжи». Ярославль, РФ: Нюанс. 2004.
7. Я. Жевандрова, А. Сыропятов, В. Буряк, «Комплексная биометрическая аутентификация личности», Системи обробки інформації, вип. 4 (141), с. 104–107, 2016.
8. J. Cunha, B. Cunha, W. Xavier, N. Ferreira, A. Pereira, “Vital-Jacket: a wearable wireless vital signs monitor for patients’ mobility”, in Proc. the Avantex Symposium, 2010, s. 1–2. Online.. Available: https://www.researchgate.net/profile/Nuno_Ferreira11/publication/224144496_Vital-JacketR_A_wearable_wireless_ vital_signs_monitor_for_patients'_mobility_in_cardiology_and_sports/links/0deec5268d9e86b08e000000/Vital-JacketR-Awearable-wireless-vital-signs-monitor-for-patients-mobility-incardiology-and-sports.pdf
9. С. Мещанінов, В. Співак, А. Орлов, Електронні методи і засоби біомедичних вимірювань. Київ, Україна: КПІ, 2015.
10. В. Хома, Ю. Хома, В. Герасименко, Д. Сабодашко, «ЕКГ-ідентифікація з використанням глибинних нейронних мереж», вісник Нац. ун-ту «Львівська політехніка», Автома- тика, вимірювання та керування, № 880, с. 67–72, 2017.
11. J. Allen, “Photoplethysmography and its application in clinical physiological measurement”, Physiological Measurement, vol. 28, p. 1–39, 2007.
12. Д. Николаев, Биоимпедансный анализ состава тела человека. Москва, РФ: Наука, 2009.
13. М. Дорожовець, Опрацювання результатів вимірювань. Львів, Україна: Вид-во Нац. ун-ту «Львів. політехніка», 2007.
14. А. Федотов, С. Акулов, Измерительные преобра- зователи биомедицинских сигналов систем клинического мониторинга. Москва, РФ: Радио и связь, 2013.
15. V. Khoma, M. Pelc, Y. Khoma, D. Sabodashko, “Outlier Correction in ECG-Based Human Identification”, in Biomedical Engineering and Neuroscience. BCI 2018. Advances in Intelligent Systems and Computing, Springer: vol. 720. p. 11–22, 2018.
16. W. Lukasz, Yu. Khoma, P. Falat, D. Sabodashko, V. Herasymenko, “Biometric Identification From Raw ECG Signal Using Deep Learning Techniques”, in Proc. 9th IEEE Internat. Conf. on Intel. Data Acquis. and Adv. Comp. Systems: Technology and Applications, Bucharest, Romania, Sept. 21–23, 2017, p. 129–133.
17. B. Stadnyk, T. Fröhlich, Yu. Khoma, V. Herasymenko, O. Chaban, “Impedance analyser error correction using artificial neural networks”, in Proc. 59th Ilm. Sc. Col., TU-Ilmenau, Germany, Sept. 11–15, 2017, p. 18.
18. V. Khoma, V. Ivanyuk, “High Sensitive Wiretap Detector: Design and Modeling”, Przegląd Elektrotechniczny, vol. 93, no. 2, p. 250–254, 2017.
19. М. Дорожовець, pозд. “Кондиціювання сигналів сенсорів”. У кн. “Сенсори”. Львів, Україна: Бескид Біт, 2014, c. 124–152.
20. Scikit-Learn Machine Learning in Python. Online.. Available: http://scikit-learn.org/stable/modules/model_evaluation.html#accuracy-score. Acc. Apr. 21, 2017.
References: 1. R. Rangayyan. Biomedical Signal Analysis. A Case- Study Approach. John Willey and Sons Inc. 2002.
2. R. Singh, S. Conjeti, R. Banerjee, “Comparative evaluation of neural network classifiers for stress level analysis of automotive drivers using physiological signals”, Biomed. Signal Processing and Control, vol.8, p.740–744, 2013.
3. D. Jenkins, S. Gerred, ECGs by Example, 2011. Online.. Available: https://www.elsevier.com/books/ecgs-byexample/jenkins/978-0-7020-4228-7
4. K. Najarian, R. Splinter, Biomedical Signal and Image Processing. CRC Press Taylor & Francis Group, 2012.
5. Advanced Biosignal Processing. Ed. A. Nait-Ali, 2009. Online.. Available: https://www.springer.com/la/book/9783540895053.
6. S. Ogloblin, A. Molchanov, Instrumental Detection of Lying. Yaroslavl, RF: Nuances, 2004.
7. Ya. Zhevandrova, A. Syropyatov, V. Buryak, “Comprehensive Biometric Authentication of Personality”, Information Processing Systems, iss.4(141), p. 104–107, 2016.
8. J. Cunha, B. Cunha, W. Xavier, N. Ferreira, A. Pereira, “Vital-Jacket: a wearable wireless vital signs monitor for patients’ mobility”, in Proc. the Avantex Symposium, 2010, s. 1–2. Online.. Available: https://www.researchgate.net/profile/Nuno_Ferreira11/publication/224144496_Vital-JacketR_A_wearable_wireless_ vital_signs_monitor_for_patients'_mobility_in_cardiology_and_sports/links/0deec5268d9e86b08e000000/Vital-JacketR-A-wearable-wireless-vital-signs-monitor-for-patientsmobility-in-cardiology-and-sports.pdf
9. S. Meshchaninov, V. Spivak, A. Orlov, Electronic methods and means of biomedical measurements. Kyiv, Ukraine: KPI, 2015.
10. V. Khoma, Yu. Khoma, V. Gerasimenko, D. Sabodashko, “ECG-identification using deep neural networks”, Bull. Lviv Polytechn. Nat. Univ. "Automation, Measurement and Control", no.880, p.67-72, 2017.
11. J. Allen, “Photoplethysmography and its application in clinical physiological measurement”, Physiological Measurement, vol.28, p.1-39, 2007.
12. D. Nikolaev, Bioimpedance analysis of human body. Moscow, RF: Science, 2009.
13. M. Dorozhovets, Processing the measurement results. Lviv, Ukraine: Publ. House Lviv Pol. Nat. Univ., 2007.
14. A. Fedotov, S. Akulov, Measuring transducers of biomedical signals of systems of clinical monitoring. Moscow, RF: Radio and communication, 2013.
15. V. Khoma, M. Pelc, Y. Khoma, D. Sabodashko, “Outlier Correction in ECG-Based Human Identification”, in Biomedical Engineering and Neuroscience. BCI 2018. Advances in Intelligent Systems and Computing, Springer: vol.720. p. 11–22, 2018.
16. W. Lukasz, Yu. Khoma, P. Falat, D. Sabodashko, V. Herasymenko, “Biometric Identification From Raw ECG Signal Using Deep Learning Techniques”, in Proc. 9th IEEE Internat. Conf. on Intel. Data Acquis. and Adv. Comp. Systems: Technology and Applications, Bucharest, Romania, Sept. 21–23, 2017, pp. 129-133.
17. B. Stadnyk, T. Fröhlich, Yu. Khoma, V. Herasymenko, O. Chaban, “Impedance analyser error correction using artificial neural networks”, in Proc. 59th Ilm. Sc. Col., TU-Ilmenau, Germany, Sept. 11–15, 2017, p. 18.
18. V. Khoma, V. Ivanyuk, “High Sensitive Wiretap Detector: Design and Modeling”, Przegląd Elektrotechniczny, vol. 93, no. 2, p. 250–254, 2017.
19. M. Dorozhovets, "Conditioning the sensor signals", in “Sensors”. Lviv, Ukraine: Beskyd Bit, 2014, pp. 124–152.
20. Scikit-Learn Machine Learning in Python. Online.. Available: http://scikit-learn.org/stable/modules/model_evaluation.html#accuracy-score. Acc. Apr. 21, 2017.
Тип содержания: Article
Располагается в коллекциях:Вимірювальна техніка та метрологія. – 2018. – Випуск 79, №3



Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.