Identifikace projevů responzivní složky elektrodermální aktivity
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
D
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Elektrodermální aktivita je druh elektrochemického signálu generovaným v návaznosti na aktivitu autonomního nervového systému, který stimuluje potní žlázy. Tímto způsobem lze měřit aktivitu sympatické části nervstva a vyhodnotit kognitivní zátěž vyšetřované osoby, která se projevuje responzivními signály v záznamu EDA, resp. jejich vyšší četností. Cílem této práce je navrhnout algoritmus hlubokého učení pro identifikaci této složky v záznamu dat vypůjčených z databáze UBMI. Záznamy obsahují sekvenci měření konduktance na pokožce vyšetřovaného v čase, které byl podroben střídavě klidovému stavu a následně stavu mentální zátěže. Data byla anotována dle přítomnosti responzivní složky. Následně byl navržen a implementován vhodný algoritmus hlubokého učení určeného ke klasifikaci responzivních složek v měřeném signálu EDA. Model neuronové sítě byl následně setem anotovaných předzpracovaných dat naučen, optimalizován a implementován na vzorcích měření. Získaná data byla statisticky vyhodnocena z pohledu úspěšnosti klasifikace responzivních složek a rozdílů v záznamech mentálního klidu a zátěže. Výsledky klasifikace a porovnání záznamů EDA měřených při různých stavech dotyčného byly následně diskutovány.
Electrodermal acitivity is a kind of electrochemical signal generated with relation to activity of the autonomic nervous system that stimulates the sweat glands. In this way, is it possible to measure the activity of the sympathetic part of the nerve systém and evaluate the cognitive stress of the treated person, which is manifested by responsive signals in EDA record, respectively to increased occurence of responses. The aim of this work is to design a deep learning algorithm for the identification of this component in the record of data taken from UBMI database. The recordings contain a sequence of measurements the conductance of the skin of patient, who was subjected alternately to the states of rest and subsequently a state of mental stress. The data were annotated according to presence of the responsive components occuring in the records of EDA. Subsequently, a suitable deep learning algorithm was implemented in order to classify the responsive components in the measured EDA signal. The neural network model has been taught, optimized and implemented on the measurement samples using annotated data. The obtained results data were statistically evaluated to qualify the success of the classification of responsive components and differences in the records of mental calm and stress. The results of the classification and comparison of EDA records measured at different conditions of the patient were discussed subsequently.
Electrodermal acitivity is a kind of electrochemical signal generated with relation to activity of the autonomic nervous system that stimulates the sweat glands. In this way, is it possible to measure the activity of the sympathetic part of the nerve systém and evaluate the cognitive stress of the treated person, which is manifested by responsive signals in EDA record, respectively to increased occurence of responses. The aim of this work is to design a deep learning algorithm for the identification of this component in the record of data taken from UBMI database. The recordings contain a sequence of measurements the conductance of the skin of patient, who was subjected alternately to the states of rest and subsequently a state of mental stress. The data were annotated according to presence of the responsive components occuring in the records of EDA. Subsequently, a suitable deep learning algorithm was implemented in order to classify the responsive components in the measured EDA signal. The neural network model has been taught, optimized and implemented on the measurement samples using annotated data. The obtained results data were statistically evaluated to qualify the success of the classification of responsive components and differences in the records of mental calm and stress. The results of the classification and comparison of EDA records measured at different conditions of the patient were discussed subsequently.
Description
Keywords
Autonomní nervový systém, elektrodermální aktivita, hluboké učení, responzivní složka, spektrální analýza, konvoluční neuronové sítě, klasifikace časové sekvence, učení se supervisorem., Autonomic nervous system, electrodermal activity, deep learning algorithm, responsive component, spectral analysis, convolution neural networks, time sequence classification, learning with supervisor.
Citation
VRANÝ, J. Identifikace projevů responzivní složky elektrodermální aktivity [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
doc. Ing. Martin Černý, Ph.D. (předseda)
doc. Ing. Radim Kolář, Ph.D. (místopředseda)
Ing. Oto Janoušek, Ph.D. (člen)
Ing. Lukáš Smital, Ph.D. (člen)
Ing. Tomáš Vičar (člen)
Ing. Radovan Jiřík, Ph.D. (člen)
Date of acceptance
2022-06-08
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Vičar položil otázku, proč byly použity pouze jedna nebo dvě konvoluční vrstvy v neuronové síti? Ing. Smital položil otázku, o jaké konkrétně data se jednalo a jakou aktivitu vykonávaly měřené subjekty? Ing. Vičar položil otázku, jestli byl v práci replikován detektor peaků? Student obhájil diplomovou práci s výhradami.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení