Cílem této bakalářské práce je prozkoumat základní metody zpracování a dekompozice povrchového elekromyografického signálu. Získání informací o aktivitě jednotlivých motorických jednotek by umožnilo provádět diagnostiku pacienta za pomocí neinvazivního povrchového měření. Signály
byly naměřeny v elektrofyziologické laboratoři Neurologického oddělení Masarykovy nemocnice
v Ústí nad Labem, o.z. pod vedením MUDr. Brušákové. Každý signál byl analyzován pomocí
diskrétní Fourierovy transformace. Dále byla na všechny signály aplikována sada lineárních filtrů
k potlačení šumu a artefaktů. Signály byly segmentovány a ohodnoceny z hlediska konzistence.
Dekompozice povrchového signálu pomocí programu EMGLAB nám poskytla data potřebná k rekonstrukci aktivity motorických jednotek. K dosažení přesnějších výsledků bychom však museli
použít pokročilejší metody založené na slepé separaci signálu, které vyžadují mnohokanálové
elektromyografické signály.
Anotace v angličtině
The aim of this bachelor thesis is to investigate the basic methods of surface electromyographic
signal processing and decomposition. Obtaining information about the activity of individual
motor units would allow for patient diagnosis using non-invasive surface measurements. The
signals were measured in the electrophysiology laboratory of the Neurology Department of
Masarykova nemocnice v Ústí nad Labem, o.z. under the supervision of MUDr. Brušáková. Each
signal was analyzed using discrete Fourier transform. Furthermore, a set of linear filters was
applied to all signals to suppress noise and artifacts. The signals were segmented and evaluated
for consistency. Surface signal decomposition using EMGLAB provided us with the data needed
to reconstruct motor unit activity. However, to achieve more accurate results, we would need
to use more advanced methods based on blind signal separation, which require multichannel
electromyographic signals.
electromyography, signal decomposition, motor unit, EMGLAB
Rozsah průvodní práce
65
Jazyk
CZ
Anotace
Cílem této bakalářské práce je prozkoumat základní metody zpracování a dekompozice povrchového elekromyografického signálu. Získání informací o aktivitě jednotlivých motorických jednotek by umožnilo provádět diagnostiku pacienta za pomocí neinvazivního povrchového měření. Signály
byly naměřeny v elektrofyziologické laboratoři Neurologického oddělení Masarykovy nemocnice
v Ústí nad Labem, o.z. pod vedením MUDr. Brušákové. Každý signál byl analyzován pomocí
diskrétní Fourierovy transformace. Dále byla na všechny signály aplikována sada lineárních filtrů
k potlačení šumu a artefaktů. Signály byly segmentovány a ohodnoceny z hlediska konzistence.
Dekompozice povrchového signálu pomocí programu EMGLAB nám poskytla data potřebná k rekonstrukci aktivity motorických jednotek. K dosažení přesnějších výsledků bychom však museli
použít pokročilejší metody založené na slepé separaci signálu, které vyžadují mnohokanálové
elektromyografické signály.
Anotace v angličtině
The aim of this bachelor thesis is to investigate the basic methods of surface electromyographic
signal processing and decomposition. Obtaining information about the activity of individual
motor units would allow for patient diagnosis using non-invasive surface measurements. The
signals were measured in the electrophysiology laboratory of the Neurology Department of
Masarykova nemocnice v Ústí nad Labem, o.z. under the supervision of MUDr. Brušáková. Each
signal was analyzed using discrete Fourier transform. Furthermore, a set of linear filters was
applied to all signals to suppress noise and artifacts. The signals were segmented and evaluated
for consistency. Surface signal decomposition using EMGLAB provided us with the data needed
to reconstruct motor unit activity. However, to achieve more accurate results, we would need
to use more advanced methods based on blind signal separation, which require multichannel
electromyographic signals.
electromyography, signal decomposition, motor unit, EMGLAB
Zásady pro vypracování
V současné době se pro vyšetření aktivity svalů používá kombinace jehlové (invazivní) a povrchové (neinvazivní) elektromyografie. Vyšetření jehlovou elektromyografií však může být pro řadu pacientů bolestivé, proto se v současné praxi hledá způsob, jak provést vyšetření pacienta pouze za pomocí povrchového měření.
Cílem práce je prozkoumat možnosti využití dekompozice elektromyografického signálu na úroveň jednotlivých akčních potenciálů pro návrh algoritmu, který umožní nahradit jehlové vyšetření povrchovým měřením, a aplikovat algoritmus dekompozice na reálné signály. Výstupy dekompozice budou sloužit k získání informací o jednotlivých motorických jednotkách zapojených do kontrakce měřeného svalu. Tyto informace poslouží ke zpětné rekonstrukci jehlového signálu. Signály pro dekompozici budou měřeny současně jehlovým i povrchovým způsobem. Data budou poskytnuta Neurologickým oddělením Masarykovy nemocnice v Ústí nad Labem, o.z. Pro implementaci algoritmu bude využit jazyk Python.
Osnova:
Prezentace metod zpracování elektromyografického signálu
Prezentace metody identifikace akčních potenciálů v elektromyografickém signálu
Implementace perspektivní metody filtrace elektromyografického signálu
Identifikace jednotlivých akčních potenciálů a jejich časy pálení pomocí dekompozice v elektromyografickém signálu
Rekonstrukce jehlového signálu pomocí identifikovaných akčních potenciálů z povrchového signálu a porovnání přesnosti vůči původnímu jehlovému signálu
Zhodnocení dosažených výsledků z hlediska implementace a přesnosti rekonstrukce
Zásady pro vypracování
V současné době se pro vyšetření aktivity svalů používá kombinace jehlové (invazivní) a povrchové (neinvazivní) elektromyografie. Vyšetření jehlovou elektromyografií však může být pro řadu pacientů bolestivé, proto se v současné praxi hledá způsob, jak provést vyšetření pacienta pouze za pomocí povrchového měření.
Cílem práce je prozkoumat možnosti využití dekompozice elektromyografického signálu na úroveň jednotlivých akčních potenciálů pro návrh algoritmu, který umožní nahradit jehlové vyšetření povrchovým měřením, a aplikovat algoritmus dekompozice na reálné signály. Výstupy dekompozice budou sloužit k získání informací o jednotlivých motorických jednotkách zapojených do kontrakce měřeného svalu. Tyto informace poslouží ke zpětné rekonstrukci jehlového signálu. Signály pro dekompozici budou měřeny současně jehlovým i povrchovým způsobem. Data budou poskytnuta Neurologickým oddělením Masarykovy nemocnice v Ústí nad Labem, o.z. Pro implementaci algoritmu bude využit jazyk Python.
Osnova:
Prezentace metod zpracování elektromyografického signálu
Prezentace metody identifikace akčních potenciálů v elektromyografickém signálu
Implementace perspektivní metody filtrace elektromyografického signálu
Identifikace jednotlivých akčních potenciálů a jejich časy pálení pomocí dekompozice v elektromyografickém signálu
Rekonstrukce jehlového signálu pomocí identifikovaných akčních potenciálů z povrchového signálu a porovnání přesnosti vůči původnímu jehlovému signálu
Zhodnocení dosažených výsledků z hlediska implementace a přesnosti rekonstrukce
Seznam doporučené literatury
DE LUCA, Carlo J., Alexander ADAM, Robert WOTIZ, L. Donald GILMORE a S. Hamid NAWAB. Decomposition of Surface EMG Signals. Journal of Neurophysiology. 2006, 96(3), 1646-1657. ISSN 0022-3077. Dostupné z: doi:10.1152/jn.00009.2006
FARINA, Dario, Roberto MERLETTI a Roger M. ENOKA. The extraction of neural strategies from the surface EMG: an update. Journal of Applied Physiology. 2014, 117(11), 1215-1230. ISSN 8750-7587. Dostupné z: doi:10.1152/japplphysiol.00162.2014
HOLOBAR, Ales a Damjan ZAZULA. Multichannel Blind Source Separation Using Convolution Kernel Compensation. IEEE Transactions on Signal Processing. 2007, 55(9), 4487-4496. ISSN 1053-587X. Dostupné z: doi:10.1109/TSP.2007.896108
Seznam doporučené literatury
DE LUCA, Carlo J., Alexander ADAM, Robert WOTIZ, L. Donald GILMORE a S. Hamid NAWAB. Decomposition of Surface EMG Signals. Journal of Neurophysiology. 2006, 96(3), 1646-1657. ISSN 0022-3077. Dostupné z: doi:10.1152/jn.00009.2006
FARINA, Dario, Roberto MERLETTI a Roger M. ENOKA. The extraction of neural strategies from the surface EMG: an update. Journal of Applied Physiology. 2014, 117(11), 1215-1230. ISSN 8750-7587. Dostupné z: doi:10.1152/japplphysiol.00162.2014
HOLOBAR, Ales a Damjan ZAZULA. Multichannel Blind Source Separation Using Convolution Kernel Compensation. IEEE Transactions on Signal Processing. 2007, 55(9), 4487-4496. ISSN 1053-587X. Dostupné z: doi:10.1109/TSP.2007.896108