Vyhledávání
Biodat
Katedra kybernetiky, Karlovo náměstí 13, 121 35 Praha 2
Tel: +420 224 357 325
http://bio.felk.cvut.cz/
Kdo jsme?
Lenka Lhotská
vedoucí skupiny
Vladana Djordjevič, Eva Krajčovičová, Monika Martinková, Miroslav Burša, Václav Gerla, Michal Huptych, Václav Chudáček, Václav Křemen, Jakub Kužílek, Martin Macaš, David Macků, Jiří Spilka, David Steiner, Michal Vavrečka
Doktorandi:
Martina Šrutová, Karla Štěpánová, Radim Bělobrádek, Honza Hlúbik, Martin Holub, Filip Ježek
Jakým výzkumem se zabýváme
Náš výzkum je založen na kombinaci klasických metod zpracování signálu, pokročilých metod umělé inteligence a jejich aplikace do oblasti klinické biomedicíny. Zabýváme se rozvojem teoretických základy biomedicínského inženýrství a vývojem medicínských aplikací. Mezi naše hlavní výzkumná témata patří:
Návrh a vývoj metod pro zpracování EKG, KTG, EEG
- Filtrace a segmentace nestacionárních biomedicínských signálů
- Metody extrakce příznaků ze signálů a velkých objemů dat
- Analýza signálů v časové a frekvenční oblasti
- Slepá separace biosignálů a analýza nezávislých komponent
- Zpracování a hodnocení intrakardiálních signálů A-EGM a CFAE
- Vizualizační nástroje pro biomedicínské zpracování dat
Výzkum v oblasti umělé inteligence
- Filtrace a segmentace nestacionárních biomedicínských signálů
- Metody extrakce příznaků ze signálů a velkých objemů dat
- Analýza signálů v časové a frekvenční oblasti
- Slepá separace biosignálů a analýza nezávislých komponent
- Zpracování a hodnocení intrakardiálních signálů A-EGM a CFAE
- Vizualizační nástroje pro biomedicínské zpracování dat
K čemu to je
Výsledky našich výzkumů nacházejí uplatnění hlavně v oblasti medicíny. Umožňujeme lékařům zrychlit a zefektivnit jejich práci. Vytváříme programy, které dokáži přehledně zaznamenávat, ukládat a zpracovávat biologická data. Naše algoritmy dokáží automaticky detekovat abnormální či patologické jevy, čímž usnadňují lékařům rozhodovaní při stanovení správné diagnózy. Aplikací metod pokročilé umělé inteligence se snažíme zvyšovat efektivitu a přesnost našich programů a prosazujeme jejich nasazení do klinické praxe.
Na čem konkrétně pracujeme
EKG + KTG
Automatická analýza kardiotokografických záznamů
Kardiotokografie je standardní vyšetření stavu plodu pomocí měření srdečních ozev plodu (srdeční frekvence plodu) a záznamu děložních stahů. Cílem projektu je vytvořit plně automatický systém hodnocení kardiotokografického záznamu, tak, aby pomáhal, jako systém pro podporu rozhodování, omezit inter i intra observační variabilitu v rozhodování porodníků.
mCTG - mobilní kardiotokografie
Vývoj mobilní kardiotografie je součástí většího evropského projektu ENIAC-MAS, který se zaměřuje na vývoj nových technologií pro domácí nasazení telemedicínských přístrojů. Naším cílem v mCTG projektu je vyvinout aplikaci pro komunikaci s KTG modulem vyvíjeným v Siemensu Austria a prezentaci a předání dat pacientovi i ošetřujícímu lékaři. Aplikace je vyvíjena pro mobilní telefony či tablety s operačním systémem Android.
Podpora a hodnocení experimentů na biomodelu
Projekt se zaměřuje na technickou a metodickou podporu lékařských experimentů na biomodelu, analýzami a vyhodnocením výsledků. Jedná se o rozvoj v oblasti komunikace (HL7), integritního záznamu signálů, parametrů a událostí v průběhu experimentu a hodnocení těchto dat v časovém rámci experimentu. Experimenty se týkají převážně oblastmi kardiologie. Součástí projektu je implementace i vývoj nástrojů pro záznamy událostí, přenos, sběr a integraci dat, analýz časových řad a signálů (v časovém i frekvenčním prostoru), statistické hodnocení dat, extrakce příznaků a jejich hodnocení.
Dolování dat z porodnického informačního systému
Cílem projektu je najít nové souvislosti mezi porodní hypoxií a anamnézou/terapií rodičky v průběhu porodu.
EEG
Prostorové referenční rámce ve 3D prostředí
Projekt je zaměřen na identifikaci mozkových center zodpovědných za zpracování a reprezentaci prostorové informace pomocí odlišných referenčních rámců. V sérii experimentů prochází subjekt virtuálním prostředím a vytváří si interní reprezentaci prostoru, založenou na preferovaném referenčním rámci. V jednotlivých experimentech jsou systematicky modifikovány intervenující proměnné, které by mohly vést ke zkreslení výsledků.
Spánkové a novorozenecké EEG
Cílem projektu je návrh metod klasifikace, které jsou schopny rozlišit různé spánkové stavy. Pro zlepšení klasifikace používáme kromě EEG signálu také atributy získané ze signálů EOG, EMG, EKG a PNG. Metody jsou testovány na reálných novorozeneckých a spánkových záznamech. Pro zlepšení klasifikace jsou využívány HMM (Skryté Markovovské modely) a metody založené na kombinování rozhodnutí více algoritmů.
PSGLab Matlab Toolbox
Cílem projektu je návrh a implementace metod, které je možné použít pro automatizovanou analýzu EEG/PSG záznamů (výpočet signifikantních trendů, hromadné zpracování více záznamů, přehledná vizualizace všech zjištěných výsledků). Dílčí části projektu: filtrace a segmentace signálu, parametrický popis EEG//PSG, hledání podobností a klasifikace do tříd, optimalizace navrženého řešení. Projekt má za hlavní cíl umožnit snadnější hodnocení dlouhodobých záznamů.
Ostatní
Slepá separace biologických signálů
Projekt se za zaměřuje na použití metod pro slepou separaci signálů (BSS) při zpracování biologických signálů (EKG, EEG). Slepá separace umožňuje mezi daty najít nové dosud skryté skutečnosti a ty pak využít v dalším zpracování případně filtraci dat.
Přírodou inspirované metody optimalizace
Při automatickém zpracování biologických signálů a dat se často setkáváme s optimalizačními úlohami, které jsou těžko řešitelné klasickými metodami optimalizace. Proto se soustřeďujeme na aplikaci metod inspirovaných chováním živé přírody, například mravenčími společenstvy, ptačími hejny, roji hmyzu či interakcemi lidí . Kromě biomedicínských aplikací známých metod navíc vyvíjíme nové přístupy jako třeba Social Impact Theory inspirovaný lidským formováním názorů.
Kdo financuje náš výzkum
- Grantová agentura ČR
- Interní Grantová Agentura Ministerstva Zdravotnictví ČR
- ENIAC
- Mindmetic Ltd.
- FRVŠ
S kým spolupracujeme
- KIT Karlsruhe
- Siemens Austria
- Fyziologický ústav, 1. lékařská fakulta, Univerzita Karlova
- Fakultní nemocnice Brno, Gynekologicko porodnická klinika
- Všeobecná Fakultní Nemocnice v Praze, Gynekologicko porodnická klinika
- Fakultní nemocnice Na Bulovce
- VFN Karlovo náměstí
- IKEM
- Psychiatrické centrum Praha
- Medical Technologies CZ a. s.
- MeiCogSci, Komenského univerzita,Bratislava
Vybrané publikace
- Spilka, J. - Chudáček, V. - Koucký M. - Lhotská L. - Huptych M. - Janků P. - Georgoulas G. - Stylios C. (2011) Using nonlinear features for fetal heart rate classification In: Biomedical Signal Processing and Control. 2011, Article in Press
- Chudáček, V., Spilka, J. - Janků P. - Koucký M. - Lhotská L. - Huptych M. (2011) Automatic evaluation of intrapartum fetal heart rate recordings: a comprehensive analysis of useful features In: Physiological Measurement. 2011, vol. 32, no. 7, p. 1347-1360
- Kos, P. - Varga, F. - Handl, M. - Kautzner, J. - Chudáček, V. - et al. (2011) Correlation of dynamic impact testing, histopathology and visual macroscopic assessment in human osteoarthritic cartilage In: International Orthopaedics 2011, vol. 35, no. 1, p. 1-7. ISSN 0341-2695.
- Vavrečka, M., (2009). The neural correlates of spatial reference frames processing, Cognitive processing, 10:2, Springer Berlin, p. 342-345.
- Huptych, M. - Lhotská, L. (2009) ECG Beat Classification Using Feature Extraction from Wavelet Packets of R Wave Window, In: World Congress on Medical Physics and Biomedical Engineering, September 7 - 12, 2009, Munich, Germany [CD-ROM]. Berlin: Springer Science+Business Media , 2009, ISBN 978-3-642-03881-5.
- Gerla, V. - Lhotská, L. - Krajča, V. (2009): Multivariate Analysis of Full-Term Neonatal Polysomnographic Data. IEEE Transactions on Information Technology in Biomedicine, vol. 13, no. 1, p. 104-110. ISSN 1089-7771.
- Djordjevic, V. - Gerla, V. - Lhotska, L. - Krajca, V. - Paul, K. (2009) Improvements in Processing of Neonatal Electroencephalographic Recordings In: World Congress on Medical Physics and Biomedical Engineering, September 7 - 12, 2009, Munich, Germany [CD-ROM]. Berlin: Springer Science+Business Media , 2009, ISBN 978-3-642-03881-5.
- Macaš, M. - Lhotská, L.: Social Impact and Optimization. International Journal of Computational Intelligence Research. 2008, vol. 4, no. 2, p. 129-134. ISSN 0973-1873.
- Macaš, M. - Lhotská, L. - Gabrys, B. - Ruta, D.: Particle Swarm Optimization of Multiple Classifier Systems. In Computational and Ambient Intelligence. Heidelberg: Springer, 2007, p. 333-340. ISBN 978-3-540-73006-4.
- Kužílek, J. - Lhotská, L. - Hanuliak, M.: Processing Holter ECG signal corrupted with noise: Using ICA for QRS complex detection. In Conference Proceedings of The 3rd International Symposium on Applied Sciences in Biomedical and Communication Technologies. Rome: University of Rome "Tor Vergata", 2010, p. 1-4. ISBN 978-1-4244-8131-6.