Automatic artifact detection in micro-EEG signals.

Tato práce popisuje algoritmus pro detekci artefaktů v mikro EEG signálech (MER), které se používají pro lokalizaci jader v mozku užívanou při hluboké mozkové stimulaci (DBS) pro pacienty s Parkinsonovou chorobou. Představujeme metodu pro detekci artefaktů, která používá rozhodovací strom. Pravidla pro rozhodovací strom byla vytvořena na příznacích založených na časovém průběhu a frekvenčním spektru MER signálů. Náš klasifikátor jsme porovnali s metodami pro detekci artefaktů, které existují v dostupné literatuře. Přesnost rozhodovacího stromu byla 90,38% na trénovací databázi a 86,33\% na testovací databázi. Na validačních datech byla rovna 86,33\%. Ostatní metody dosáhly přesnosti kolem 77% na trénovací databázi a 80% na testovací databázi.This thesis proposes an algorithm for artifact detection in microelectrode recordings (MER) which are used for the localization of nuclei in Deep Brain Stimulation (DBS) for Parkinson's disease patients. We present a method for artifact detection which uses decision tree. Rules of the decision tree were based on features based on observed temporal and spectral properties of MER artifacts. We have compared our classifier with methods for artifact detection which already exist in the available literature. The accuracy of the decision tree was 90,38% on the training dataset and 86,33% on the testing dataset. On the validation dataset it was equal to 86,33%. Other methods achieved accuracy of about 77% on the training dataset and 80% on the testing dataset