mdh.sePublikationer
Ändra sökning
Avgränsa sökresultatet
1 - 9 av 9
RefereraExporteraLänk till träfflistan
Permanent länk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Träffar per sida
  • 5
  • 10
  • 20
  • 50
  • 100
  • 250
Sortering
  • Standard (Relevans)
  • Författare A-Ö
  • Författare Ö-A
  • Titel A-Ö
  • Titel Ö-A
  • Publikationstyp A-Ö
  • Publikationstyp Ö-A
  • Äldst först
  • Nyast först
  • Skapad (Äldst först)
  • Skapad (Nyast först)
  • Senast uppdaterad (Äldst först)
  • Senast uppdaterad (Nyast först)
  • Disputationsdatum (tidigaste först)
  • Disputationsdatum (senaste först)
  • Standard (Relevans)
  • Författare A-Ö
  • Författare Ö-A
  • Titel A-Ö
  • Titel Ö-A
  • Publikationstyp A-Ö
  • Publikationstyp Ö-A
  • Äldst först
  • Nyast först
  • Skapad (Äldst först)
  • Skapad (Nyast först)
  • Senast uppdaterad (Äldst först)
  • Senast uppdaterad (Nyast först)
  • Disputationsdatum (tidigaste först)
  • Disputationsdatum (senaste först)
Markera
Maxantalet träffar du kan exportera från sökgränssnittet är 250. Vid större uttag använd dig av utsökningar.
  • 1.
    Abbaspour, Sara
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Electromyogram Signal Enhancement and Upper-Limb Myoelectric Pattern Recognition2019Doktorsavhandling, sammanläggning (Övrigt vetenskapligt)
    Abstract [sv]

    Att förlora en extremitet orsakar svårigheter i vår vardag. För att återfå förmågan till ett självständigt liv har artificiella händer och ben utvecklats. Handproteser kan kontrolleras av användaren genom aktiviteten hos återstående muskler ovanför amputationen. Elektromyogram (EMG) är en av de källor som kan användas till kontrollmetoder för handproteser. Yt-EMG är kraftfulla icke-invasiva verktyg som ger information om neuromuskulär aktivitet hos en specifik muskel, vilket är avgörande för dess användning att styra proteser. Komplexiteten hos signalen utgör dock en stor utmaning. EMG-mönsterigenkänning för att avkoda olika handrörelser är ett viktigt framsteg när det gäller kontroll av motoriserade proteser. Denna metod har potential att möjliggöra styrning av proteser genom att använda EMG-signalerna från muskelkontraktioner som insignal. Denna metod har dock ännu inte fått någon stor klinisk spridning. Olika algoritmer har utvecklats inom området för att avkoda olika rörelser; men utmaningen att identifiera olika handrörelser i olika faser kvarstår, och förbättringar inom dessa områden kan komma att öka funktionaliteten hos motoriserade proteser. Denna avhandling undersöker flera aspekter kring detta, först hur kvaliteten hos EMG-signaler kan förbättras genom att nya och avancerade filtreringstekniker. Fyra effektiva tillvägagångssätt (adaptivt neuro-fuzzy inference system-wavelet, artificiellt neuralt nätverk-wavelet, adaptiv subtraktion och automatiserad oberoende komponentanalys-wavelet) presenteras för att förbättra filtreringsprocessen för yt-EMG-signaler och effektivt eliminera EKG-störningar. Även offline-prestanda för olika EMG-baserade igenkänningsalgoritmer undersöks, däribland förmågan att klassificera olika handrörelser med sikte på att erhålla nya myoelektriska kontrollkonfigurationer som förbättrar igenkänningen. För att undersöka hur väl de myoelektriska mönsterigenkänningssalgoritmerna fungerar i verkliga situationer, har ett brett spektrum av myoelektriska algoritmer undersökts i realtid. 15 friska frivilliga försökspersoner har använt systemet och resultaten tyder på att linjär diskriminantanalys (LDA) och maximal sannolikhetsbedömning (MLE) är bättre än de andra klassificeringsmetoderna. Realtidsundersökningen visar också att förutom LDA och MLE, så är algoritmerna med flerlagersperception bättre än de övriga algoritmerna då de jämförs med avseende på klassificeringsnoggrannhet och beräkningshastighet.

  • 2.
    Abbaspour, Sara
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Evaluation of surface EMG-based recognition algorithms for decoding hand movementsManuskript (preprint) (Övrigt vetenskapligt)
  • 3.
    Abbaspour, Sara
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Proposing Combined Approaches to Remove ECG Artifacts from Surface EMG Signals2015Licentiatavhandling, sammanläggning (Övrigt vetenskapligt)
    Abstract [sv]

    Elektromyografi (EMG) är ett verktyg som rutinmässigt används för en mängd olika applikationer inom många discipliner. Dock är denna signal oundvikligen kontaminerad av artefakter som kommer från olika källor. Elektrisk aktivitet av hjärtmuskln, elektrokardiogram (EKG), är en av störkällorna som påverkar EMG-signalerna på grund av närheten till hjärtat och som försämrar analysens tillförlitlig. Olika metoder har föreslagits för att ta bort EKG artefakter från yt-EMG-signaler men trots många försök att eliminera eller minska denna artefakt, kvarstår problemet med korrekt och effektivt brusreducering av EMG. I denna studie har vanliga metoder för brusundertryckning undersökts, såsom högpassfilter (HPF), gatingmetod, spikklippning, hybridteknik, subtraktionsmetod, oberoende komponentanalys (ICA), wavelet, wavelet-ICA, artificiella neurala nätverk (ANN), och adaptiv brusreducering (ANC) och adaptiv neuro fuzzy inference system (ANFIS). Metorderna har använts för att avlägsna EKG- artefakter från yt-EMG-signaler och deras noggrannhet och effektivitet har undersökts. HPF, gatingmetod och spikklippning är snabba; men de tar även bort relevant information från EMG-signalen. Hybridteknik och ANC är tidskrävande. Subtraktionsmetoden kräver kännedom om QRS-mönstret.Wavelettransformen lämnade kvar vissa artefakter i signalen, och avlägsnade även endel av den ursprungliga EMG-signalen. ICA kräver flerkanaliga signaler. Wavelet-ICA kräver inte flerkanaliga signaler, men är däremot användarberoende. ANN och ANFIS har bra prestanda, men det är möjligt att förbättra resultaten genom att kombinera dem med andra tekniker. För vissa tillämpningar av EMG-signaler såsom rehabilitering, rörelsekontroll och prediktion, är kvaliteten på EMG-signalerna mycket viktigt. Dessutom måste de artefaktreducerande metoderna vara i realtid och automatiska. Detta innebär att metoderna ANN-wavelet, adaptiv subtraktion och automatiserad wavelet-ICA rekommenderas för effektiv eliminering av EKG-artefakter från yt-EMG-signaler. För att jämföra resultaten av de undersökta och föreslagna metoderna i denna studie, har rena EMG-signaler från biceps och delta-muskler, samt EKG-artefakter från stora bröstmuskeln spelats in från fem friska personer. För att skapa 10-kanaliga brusiga EMG-signaler har de inspelade EKG-artefakterna adderats till de rena EMG-signalerna. De olika artefaktreduceringsmetoderna har även tillämpats på 10 kanaler verkliga EMG signaler med artefakter, från stora bröstmuskeln på vänster sida. Utvärderingskriterier såsom signal-brusförhållandet, relativta felet, korrelationskoefficienten, förfluten tid och effektspektrumstäthet har använts för att utvärdera de föreslagna metoderna. Prestandan hos den föreslagna ANN-wavelet metoden befanns överlägsen de andra metoderna med ett signalbrusförhållande på 15,53, relativt fel på 0,01 och korrelationskoefficient på 0,98.

  • 4.
    Abbaspour, Sara
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Surface EMG signal processing: Removing ECG interferences and classifying hand movements2017Ingår i: Medicinteknikdagarna 2017 MTD 2017, Västerås, Sweden, 2017Konferensbidrag (Refereegranskat)
  • 5.
    Abbaspour, Sara
    et al.
    Amirkabir University of technology,Tehran, Iran.
    Fallah, Ali
    Amirkabir University of technology,Tehran, Iran.
    Removing ECG Artifact from the Surface EMG Signal Using Adaptive Subtraction Technique2014Ingår i: Biomedical Physics and Engineering, ISSN 2251-7200, Vol. 4, nr 1, s. 33-38Artikel i tidskrift (Refereegranskat)
    Abstract [en]

    Background: The electrocardiogram artifact is a major contamination in the electromyogram signals when electromyogram signal is recorded from upper trunk muscles and because of that the contaminated electromyogram is not useful. Objective: Removing electrocardiogram contamination from electromyogram signals. Methods: In this paper, the clean electromyogram signal, electrocardiogram artifact and electrocardiogram signal were recorded from leg muscles, the pectoralis major muscle of the left side and V4, respectively. After the pre-processing, contaminated electromyogram signal is simulated with a combination of clean electromyogram and electrocardiogram artifact. Then, contaminated electromyogram is cleaned using adaptive subtraction method. This method contains some steps; (1) QRS detection, (2) formation of electrocardiogram template by averaging the electrocardiogram complexes, (3) using low pass filter to remove undesirable artifacts, (4) subtraction. Results: Performance of our method is evaluated using qualitative criteria, power spectrum density and coherence and quantitative criteria signal to noise ratio, relative error and cross correlation. The result of signal to noise ratio, relative error and cross correlation is equal to 10.493, 0.04 and %97 respectively. Finally, there is a comparison between proposed method and some existing methods. Conclusion: The result indicates that adaptive subtraction method is somewhat effective to remove electrocardiogram artifact from contaminated electromyogram signal and has an acceptable result.

  • 6.
    Abbaspour, Sara
    et al.
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Fallah, Ali
    Amirkabir University of Technology, Tehran, Iran.
    Lindén, Maria
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Gholamhosseini, Hamid
    Auckland University of Technology, Auckland, New Zealand.
    A Novel Approach for Removing ECG Interferences from Surface EMG signals Using a Combined ANFIS and Wavelet2016Ingår i: Journal of Electromyography & Kinesiology, ISSN 1050-6411, E-ISSN 1873-5711, Vol. 26, s. 52-59Artikel i tidskrift (Refereegranskat)
    Abstract [en]

    In recent years, the removal of electrocardiogram (ECG) interferences from electromyogram (EMG) signals has been given large consideration. Where the quality of EMG signal is of interest, it is important to remove ECG interferences from EMG signals. In this paper, an efficient method based on a combination of adaptive neuro-fuzzy inference system (ANFIS) and wavelet transform is proposed to effectively eliminate ECG interferences from surface EMG signals. The proposed approach is compared with other common methods such as high-pass filter, artificial neural network, adaptive noise canceller, wavelet transform, subtraction method and ANFIS. It is found that the performance of the proposed ANFIS-wavelet method is superior to the other methods with the signal to noise ratio and relative error of 14.97 dB and 0.02 respectively and a significantly higher correlation coefficient (p < 0.05).

  • 7.
    Abbaspour, Sara
    et al.
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Gholamhosseini, H.
    School of Engineering, Auckland University of TechnologyAuckland, New Zealand .
    Lindén, Maria
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Evaluation of wavelet based methods in removing motion artifact from ECG signal2015Ingår i: IFMBE Proceedings, 2015, s. 1-4Konferensbidrag (Refereegranskat)
    Abstract [en]

    Accurate recording and precise analysis of the electrocardiogram (ECG) signals are crucial in the pathophysiological study and clinical treatment. These recordings are often corrupted by different artifacts. The aim of this study is to propose two different methods, wavelet transform based on nonlinear thresholding and a combination method using wavelet and independent component analysis (ICA), to remove motion artifact from ECG signals. To evaluate the performance of the proposed methods, the developed techniques are applied to the real and simulated ECG data. The results of this evaluation are presented using quantitative and qualitative criteria. The results show that the proposed methods are able to reduce motion artifacts in ECG signals. Signal to noise ratio (SNR) of the wavelet technique is equal to 13.85. The wavelet-ICA method performed better with SNR of 14.23.

  • 8.
    Abbaspour, Sara
    et al.
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Lindén, Maria
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Electromyography signal analysis: Electrocardiogram artifact removal and classifying hand movements2018Ingår i: World Congress on Medical Physics and Biomedical Engineering IUPESM, 2018Konferensbidrag (Refereegranskat)
  • 9.
    Abbaspour, Sara
    et al.
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Lindén, Maria
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Gholamhosseini, Hamid
    Auckland University of Technology, New Zealand.
    ECG Artifact Removal from Surface EMG Signal Using an Automated Method Based on Wavelet-ICA2015Ingår i: Studies in Health Technology and Informatics, Volume 211, 2015, s. 91-97Konferensbidrag (Refereegranskat)
    Abstract [en]

    This study aims at proposing an efficient method for automated electrocardiography (ECG) artifact removal from surface electromyography (EMG) signals recorded from upper trunk muscles. Wavelet transform is applied to the simulated data set of corrupted surface EMG signals to create multidimensional signal. Afterward, independent component analysis (ICA) is used to separate ECG artifact components from the original EMG signal. Components that correspond to the ECG artifact are then identified by an automated detection algorithm and are subsequently removed using a conventional high pass filter. Finally, the results of the proposed method are compared with wavelet transform, ICA, adaptive filter and empirical mode decomposition-ICA methods. The automated artifact removal method proposed in this study successfully removes the ECG artifacts from EMG signals with a signal to noise ratio value of 9.38 while keeping the distortion of original EMG to a minimum.

1 - 9 av 9
RefereraExporteraLänk till träfflistan
Permanent länk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf