prikaz prve stranice dokumenta Classification and clustering of low back pain patients by analyzing surface myoelectric signals
  Preuzmi
PDF 10.01 MB
disertacija
Classification and clustering of low back pain patients by analyzing surface myoelectric signals
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. urn:nbn:hr:168:794897
Srhoj-Egekher, Vedran
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zavod za elektroničke sustave i obradbu informacija

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Srhoj Egekher, V. (2022). Classification and clustering of low back pain patients by analyzing surface myoelectric signals (Disertacija). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:794897

Srhoj Egekher, Vedran. "Classification and clustering of low back pain patients by analyzing surface myoelectric signals." Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:794897

Srhoj Egekher, Vedran. "Classification and clustering of low back pain patients by analyzing surface myoelectric signals." Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:794897

Srhoj Egekher, V. (2022). 'Classification and clustering of low back pain patients by analyzing surface myoelectric signals', Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 22.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:794897

Srhoj Egekher V. Classification and clustering of low back pain patients by analyzing surface myoelectric signals [Disertacija]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2022 [pristupljeno 22.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:794897

V. Srhoj Egekher, "Classification and clustering of low back pain patients by analyzing surface myoelectric signals", Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:794897

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:794897
Podaci o radu
NaslovClassification and clustering of low back pain patients by analyzing surface myoelectric signals
Naslov (hrvatski)Klasifikacija i grupiranje pacijenata s križoboljom analizom površinskih mioelektričnih signala
AutorVedran Srhoj-Egekher
MentorMario Cifrek (mentor)
MentorStanislav Peharec (komentor)
Član povjerenstvaTomislav Pribanić (predsjednik povjerenstva)
Član povjerenstvaIgor Lacković (član povjerenstva)
Član povjerenstvaAlan Jović (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
(Zavod za elektroničke sustave i obradbu informacija)
Zagreb
Datum i država obrane2022-12-22, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Elektrotehnika
Univerzalna decimalna klasifikacija
(UDC)		621.3 - Elektrotehnika
Sažetak
Low back pain (LBP) is a global health problem phenomenon. Most patients are categorized as non-specific, thus requiring an individualized approach which still poses a major challenge. Myoelectric recordings from two pairs of lumbar muscle sites were collected during an isometric trunk extension exercise. Ninety-one subjects were included in the study; 29 patients with non-specific chronic LBP (CLBP), 25 patients with radiculopathy (RLBP), and 37 control healthy subjects (HS). Six best-performing time-domain raw features were employed to model contextual secondary feature groups. Neuromuscular LBP characteristics were described with coordination, co-activation, trends, and frequency-based fatigue measures. The initial large secondary feature set was significantly reduced by employing neighborhood component analysis (NCA), alongside preserving features in the original interpretable domain. Support vector machines (SVM) and k-nearest neighbor (kNN) consistently resulted in high classification accuracy, among the 23 classifiers exploited. Based on thirteen NCA components, from CLBP vs. HS model, CLBP subgrouping was performed by exploiting Hierarchical clustering analysis (HCA), resulting in seven CLBP subgroups. The formal procedure for assigning new CLBP patients, to one of the subgroups, was enabled by introducing a new distance metric CLBP Pattern Distance (CPD). As a final step, for each CLBP subgroup, a corresponding medical interpretation was proposed, thus enabling a direct connection between mathematical procedure and the deeper inference from the medical perspective to account for the complex multifactorial interaction among different neuromotor control, biomechanical, or even psychological aspects.
Sažetak (hrvatski)
Križobolja (LBP) je prepoznata kao globalni zdravstveni problem. Većina pacijenata se kategorizira kao nespecifična, stoga je nužan individualizirani pristup koji još uvijek predstavlja veliki izazov. Elektromiografske snimke, s dva para pozicija lumbalnih mišića, prikupljene su tijekom izometrijske vježbe ekstenzije trupa. U istraživanje je bio uključen devedeset i jedan ispitanik; 29 bolesnika s nespecifičnim kroničnim LBP-om (CLBP), 25 bolesnika s radikulopatijom (RLBP) te 37 kontrolnih zdravih ispitanika (HS). Analizom dobivene najučinkovitije jednostavne značajke iz vremenske domene, njih šest, upotrijebljene su za modeliranje grupa kontekstualnih sekundarnih značajki. Neuromuskularne karakteristike LBP-a su opisane kroz grupe značajki koordinacije, koaktivacije, trendova i mjera umora temeljenih na frekvencijskoj analizi. Inicijalno veliki skup sekundarnih značajki je značajno reduciran tehnikom analize komponenti metodom susjedstva (NCA), uz očuvanje značajki u izvornoj interpretabilnoj domeni. Metoda potpornih vektora (SVM) i klasifikatori temeljeni na k-najbližem susjedstvu (kNN) konzistentno su rezultirali visokim klasifikacijskim točnostima, iz skupa 23 upotrijebljena klasifikatora. Koristeći trinaest NCA komponenti, dobivenih iz modela diferencijacije CLBP u odnosu na HS, provedeno je podgrupiranje CLBP pacijenata koristeći metodu grupiranja hijerarhijskom analizom, što je rezultiralo s ukupno sedam CLBP podskupina. Formalni postupak za dodjelu novih pacijenata s CLBP-om u jednu od sedam podskupina, osiguran je uvođenjem nove metrike udaljenosti, CLBP Pattern Distance (CPD). Kao posljednji korak, za svaku podskupinu CLBP-a predloženo je odgovarajuće medicinsko tumačenje, čime je omogućena izravna veza između matematičkog postupka i dubljeg zaključivanja iz medicinske perspektive, a kako bi se objasnila složena multifaktorijalna interakcija između različitih aspekata neuromotoričkih kontrole, biomehaničkih ili čak psiholoških aspekata.
Ključne riječi
Ključne riječi (hrvatski)
Jezikengleski
URN:NBNurn:nbn:hr:168:794897
Datum promocije2023
Studijski programNaziv: Elektrotehnika
Vrsta studija: sveučilišni
Stupanj studija: poslijediplomski znanstveni (doktorski)
Akademski / stručni naziv: doktor/doktorica znanosti, po-dručje tehničkih znanosti (dr. sc.)
Vrsta resursaTekst
Opsegv, x, 135 str. : graf. prikazi ; 31 cm + CD-ROM
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Datum isteka embarga: 2023-07-01
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2023-03-27 09:13:03