Jyväskylän yliopisto | JYX-julkaisuarkisto

  • suomi  | Anna palautetta |
    • suomi
    • English
 
  • Kirjaudu
JavaScript is disabled for your browser. Some features of this site may not work without it.
Näytä aineisto 
  • JYX
  • Opinnäytteet
  • Pro gradu -tutkielmat
  • Näytä aineisto
JYX > Opinnäytteet > Pro gradu -tutkielmat > Näytä aineisto

Motoristen yksiköiden erottelu matemaattisilla luokittelumenetelmillä differentiaalisesta elektromyografiasta

Thumbnail
Katso/Avaa
1.4 Mb

Lataukset:  
Show download detailsHide download details  
Tekijät
Koskinen, Timo
Päivämäärä
2019
Oppiaine
BiomekaniikkaBiomechanics
Tekijänoikeudet
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.

 
Aktiopotentiaaliksi kutsuttu jännitteen muutos ajan funktiona on tunnettu biosähköinen impulssi. Kirjallisuuskatsauksessa pyrittiin löytämään ne motorisen yksikön aktiopotentiaalin voimakkuuteen, muotoon ja kestoon vaikuttavat tekijät, jotka selittäisivät riittävän luotettavasti erot kahden tai useamman motorisen yksikön välillä. Tällöin yksiköt olisivat identifioitavissa sen tuottaman yksilöllisen impulssin muodon eli jännitteen aikafunktion perusteella. Koska kaikkien aktiivisten motoristen yksiköiden tuottamat biosähköiset impulssit tai oikeammin sähkökentät summautuvat mittaelektrodissa, motoristen yksiköiden erottaminen (so. dekompositiointi) täytyy suorittaa sulautetulla ohjelmoinnilla, digitaalisen signaalinkäsittelyn ja matemaattisten algoritmien avulla. Tämän tutkielman yhteydessä luotiin algoritmi, jolla differentiaalinen sEMG-signaali (surface ElectroMyoGram) purettiin erillisiin MUAP-jonoihin (Motor Unit Action Potential) ja jolla ne analysoitiin automaattisesti ja nopeasti, tavallisella kannettavalla tietokoneella ja MATlab-sovelluksella. Tutkimuksessa päädyttiin kokeilemaan simuloitua HDsEMG-signaalia (High Density surface EMG) bipolaarisen pinta-EMG-signaalin sijaan. Näytteet simuloivat monikanavaisen 10x9-matriisianturin tuloksia isometrisestä 10% MVC-suorituksesta (Maximum Voluntary Control). Tutkimusalgoritmi muodosti differentiaalisignaalin, josta luokittelufunktio erotti motoriset yksiköt. Yhtenä ongelmana oli määritellä, kuinka moneen ryhmään aktiopotentiaalit tulee jakaa. Valitettavasti tämän ongelman ratkaisuun ei ole olemassa suoraa menetelmää. Ratkaisua täytyy hakea epäsuorasti, käyttäen apuna soveltuvia tunnuslukuja. Tämän tutkimusaineiston kohdalla päädyttiin 25 klusteriin. Tutkielman tulosten perusteella lupaavin tutkituista menetelmistä oli K-medoids-klusterointi neliöllisellä eukleidisellä (Squared Euclidean) samankaltaisuusmitalla. Tässä funktiossa jokainen medoidi eli klusterikeskipiste edustaa ryhmän keskiarvoa. Alun perin kehitetty algoritmi oli varsin helppo mukauttaa noudattamaan tätä luokittelumenetelmää. Valitettavasti yhdenkään klusterointimenetelmän luotettavuusrajoja tai muitakaan laadullisia parametrejä ei pystytty tässä tutkimuksessa määrittelemään, koska yksiäkään soveltuvia referenssituloksia ei saatu aineistoon eivätkä simuloitujen näytteiden syttymisajat korreloineet differentiaalisen bipolaarisignaalin kanssa. Selitys jälkimmäiseen voi olla, että matriisianturin keskelle syotetyt AP-aallot osuvat molempiin bipolaarisiin antureihin yhtäaikaa eikä differentiaalia synny - mutta tämän lopullinen todentaminen vaatisi hieman jatkotutkimusta. ...
 
So-called Action Potential in neuron is a temporal change in voltage, and well known as a bioelectric impulse. Starting point of the literature review was to find all factors which induce amplitude, shape and duration of a certain Motor Unit discharge, and to define differences between two or more Action Potentials. Then Motor Unit Action Potential train decomposition could be done by comparing the temporal voltage change, i.e. by comparing the shape of an action potential. Because all the Motor Unit Action Potentials, that are active, are merged in a detection electrod, i.e. an electrode detects the sum of electric fields of electric charges. Due to the merged MUAP trains, the decomposition has to be performed by embedded software by means of Digital Signal Processing and mathematical algorithms. Novel decomposition algorithm was created during the study. It decomposes differential sEMG signal into separate MUAP trains and computes variables. All this takes place fast and autonomously without human operator, just a common laptop and MATlab application is needed. Instead of physiological bipolar sEMG signal, the study was done to simulated HDsEMG signals, which were provided by Ales Holobar and Harri Piitulainen. The signals simulated high density multichannel 10x9 matrix like results from isometric 10% MVC performance. Differential signals were reconstructed and further decomposed MUAP trains by the study algorithm. One problem was to determine, how many groups of action potentials should be clustered. Unfortunately, there is no direct method for solving this problem. The solution must be applied indirectly, using the appropriate parameters and the key figures. For these signals, 25 clusters were found. Based on the results, the most promising method studied was k-medoids clustering function that uses Squared Euclidean similarity measure. In this method, each medoid represent averages of the cluster. The algorithm originally developed was quite easy to adapt to this classification method. Unfortunately, none of the reliability limits of the clustering method or other qualitative parameters could be defined in this study, because none relevant reference results were found for the study and the firing times of the simulated samples did not correlate with the differential bipolar signal. The explanation for the latter may be that the AP waves fed to the center of the matrix sensor arrive at both bipolar sensors simultaneously and no differential occurs - but the verification would require some further research. ...
 
Asiasanat
aktiopotentiaali alfamotoneuroni motorinen yksikkö MUAP sEMG HDsEMG dekompositiointi tiedon luokittelu k-means k-medoids wavelet-muunnos MATlab elektromyografia algoritmit signaalit sähkökentät MATLAB
URI

http://urn.fi/URN:NBN:fi:jyu-201906273487

Metadata
Näytä kaikki kuvailutiedot
Kokoelmat
  • Pro gradu -tutkielmat [24931]

Samankaltainen aineisto

Näytetään aineistoja, joilla on samankaltainen nimeke tai asiasanat.

  • Hilbert-Huang versus morlet wavelet transformation on mismatch negativity of children in uninterrupted sound paradigm 

    Cong, Fengyu; Sipola, Tuomo; Huttunen-Scott, Tiina; Xu, Xiaonan; Ristaniemi, Tapani; Lyytinen, Heikki (BioMed Central (BMC), 2009)
    Background. Compared to the waveform or spectrum analysis of event-related potentials (ERPs), time-frequency representation (TFR) has the advantage of revealing the ERPs time and frequency ...
  • Vorgeformte idiomatische Einheiten : Untersuchung der Idiome und Sprichwörter in Lehrbüchern für erwachsene Deutschlernende mit Stichproben zu ihrer Beherrschung 

    Pihlaja, Mari (1999)
  • Radiosignaalien tunnistaminen neuroverkon avulla 

    Colliander, Jeremias (2022)
    Tekoäly on kehittynyt viime vuosina huimaa tahtia ja sitä on alettu soveltaa uusien haasteiden ratkaisemiseksi. Yksi tällainen haaste on pitkään ollut useiden radiosignaalien luokittelu toisistaan riittävällä tarkkuudella. ...
  • Motor unit activation and spinal excitability in young and elderly males during isometric and dynamic muscle actions 

    Kallio, Jouni (University of Jyväskylä, 2013)
  • Tiedon luokittelu tiedon suojaamisen ja liiketoiminnan näkökulmasta 

    Kartano, Joonas (2023)
    Tiedon luokittelu on tärkeä osa yritysten ja organisaatioiden datan hallintaa ja kokonaistietoturvaa. Nykypäivänä yritysten tarjoamat palvelut ovat sähköisiä, ja verkossa kulkee suuri määrä erilaista dataa, josta osa on ...
  • Selaa aineistoja
  • Selaa aineistoja
  • Artikkelit
  • E-kirjat
  • Esitelmät ja posterit
  • Historialliset kartat
  • Julkaisusarjat
  • Konferenssit ja seminaarit
  • Lehdet
  • Opinnäytteet
  • Oppimateriaalit
  • Nuotit ja musiikki
  • Tutkimusdata
  • Tutkimusraportit
  • Valokuvat

Selaa

Kaikki aineistotKokoelmaluetteloJulkaisupäivätTekijätAsiasanatJulkaistuLaitosOppiaine

Omat tiedot

Kirjaudu sisään

Tilastot

Tarkastele käyttötilastoja
  • Kuinka julkaista JYXissä?
  • Rinnakkais­tallentaminen
  • Opinnäytteiden julkaisu
  • Väitöskirjojen julkaisu
  • Julkaisupalvelut

Avoin tiede JYU:ssa
 
Tietosuojailmoitus

Saavutettavuusseloste

Ellei toisin mainittu, julkisesti saatavilla olevia JYX-metatietoja (poislukien tiivistelmät) saa vapaasti uudelleenkäyttää CC0-lisenssillä.
Open Science Centre