Jeremi Krajewski: "Recognition of sign alphabet from EMG signal using convolutional neural networks."

This bachelor's thesis endeavors to scrutinize and instantiate the utilization of Convolutional Neural Networks (CNNs) for the nuanced task of classifying and detecting sign language alphabet symbols via Image Analysis and Electromyographic (EMG) signals, acquired through the instrumental deployment of an EMG MyoWare sensors. The research focal point centers on the meticulous analysis of images and EMG signals, with the primary aim of facilitating its practical use in everyday life. This endeavor was undertaken and classified by utilization of ResNet-50 architecture. The adoption of EMG signals as the input modality offers practical advantages, notably the detectability through limb-affixed devices, making it a feasible and integrable solution in daily life. The methodological simplicity of EMG signal analysis further contributes to the robustness of the system, overcoming challenges associated with environmental factors and ensuring consistency across diverse individuals.

Praca inżynierska stara się przeanalizować i zastosować użyteczność Splotowych Sieci Neuronowych w zadaniu klasyfikacji i detekcji symboli alfabetu języka migowego poprzez Analizę Obrazu oraz sygnały elektromiograficzne pozyskiwane za pomocą sensorów EMG MyoWare. Główny punkt badawczy skupia się na dokładnej analizie obrazów i sygnałów EMG, mając na celu ułatwienie ich praktycznego zastosowania w życiu codziennym. To przedsięwzięcie zostało podjęte i sklasyfikowane przy użyciu architektury ResNet-50. Wykorzystanie sygnałów EMG jako danej wejściowej niesie ze sobą praktyczne korzyści, zwłaszcza możliwość wykrywania za pomocą urządzeń przyczepionych do kończyn górnych, co czyni je aplikowalnymi w codziennym życiu. Metodyczna prostota analizy sygnałów EMG dodatkowo przyczynia się do solidności systemu, pokonując wyzwania związane z czynnikami środowiskowymi i zapewniając spójność w różnorodnych przypadkach.

 

Czytaj więcej: Jeremi Krajewski: "Recognition of sign alphabet from EMG signal using convolutional neural...

Justyna Konior "Development of a classification algorithm for basic and distracting driving activities, based on multimodal signals and (deep) machine learning methods."

GB: The aim of this paper is the creation of a deep learning-based system for identifying driver activities. This study is entirely performed on the basis of the signal acquired from JINS MEME Smart Glasses equipped with a set of EOG sensors, and a set of accelerometer and velocity sensors. A 1D CNN model was developed, which then uses the preprocessed EOG and accelerometer readings to categorize the subsequent driving behaviors: primary activities - crossroad turning left, right and going straight,
angle parking left and right, parallel parking left and right, perpendicular parking left and right, roundabout turning left, right and going straight and secondary activities - bending, drinking, eating and turning back. The results obtained were divided into three categories. For the binary classification between secondary and primary activities, an accuracy rate of 99.5 % was achieved. An analysis of classifications for a specific set of activities, comprising crossroad, parking, roundabout, and secondary activities,
produced accuracy values of 97.9%, 96.8%, 97.4% and 99.5%, respectively. Finally, recognizing each behavior independently demonstrated satisfactory accuracy, precision, and f1 score at the level of 80%. The secondary activity of drinking was predicted with the greatest degree of accuracy, while primary parallel parking on the left side and perpendicular parking on the right side with the smallest.

PL: Celem niniejszej pracy jest stworzenie opartego na głębokim uczeniu systemu do identyfikacji aktywności kierowcy. Badanie to jest w całości wykonane na podstawie sygnału pozyskanego z inteligentnych okularów JINS MEME Academic Pack wyposażonych w zestaw czujników EOG,
akcelerometr oraz czujniki prędkości. Opracowano model 1D CNN, który następnie wykorzystuje pozyskane wstępnie przetworzone sygnały z EOG i akcelerometru do kategoryzacji poszczególnych zachowań kierowcy: czynności podstawowe - skrzyżowanie skręt w lewo, skręt w prawo i jazda prosto, parkowanie skośne w lewo i w prawo, parkowanie równoległe w lewo i w prawo, parkowanie prostopadłe w lewo i w prawo, rondo skręcanie w lewo, w prawo i jazda prosto oraz czynności drugorzędne - schylanie się, picie, jedzenie i odwracanie się. Uzyskane wyniki podzielono na trzy kategorie. Dla klasyfikacji binarnej pomiędzy czynnościami drugo- i pierwszorzędnymi uzyskano wskaźnik dokładności 99,5%.
Analiza klasyfikacji dla określonego zestawu czynności, obejmującego skrzyżowanie, parkowanie, rondo i czynności drugorzędne, dała wartości dokładności wynoszące odpowiednio 97,9%, 96,8%, 97,4% and 99,5%.
Ostatecznie, rozpoznanie każdego zachowania niezależnie wykazało zadowalającą dokładność, precyzję, czułość oraz wynik f1 na poziomie 80%. Czynność drugorzędna, jaką jest picie, została przewidziana z największą dokładnością, natomiast z najmniejszą pierwszorzędne parkowanie równoległe po lewej stronie oraz parkowanie prostopadłe po prawej stronie.

Czytaj więcej: Justyna Konior "Development of a classification algorithm for basic and distracting driving...

Eva Odima Berepiki "Implementation of an application that supports diagnosis of major cardiovascular disease"

The goal of this thesis is to research and develop an application for diagnosing severe cardiovascular diseases that is easy to use and effective. To achieve this aim, the
following research questions are addressed in this thesis:
1. How can an ontology-database model be designed and implemented to support the diagnosis of major CVD?
2. What are the benefits and limitations of using an ontology-database model over Chapter 1: Introduction existing models for CVD diagnosis?
3. How can the prototype application be further developed and evaluated in a real - world setting?
The ideology also considers scenarios with no access to qualitative/quantitative datasets or data from medical devices. Input for this ontology database model comes from user symptoms, a simple data collection form. The project provides a state of awareness for non-scientists and non-physicians, improves the knowledge of medical professionals, and reduces the time between the onset of a disease and its diagnosis and treatment, which in turn can reduce mortality rates.

Celem pracy jest zbadanie i opracowanie aplikacji do diagnozowania ciężkich chorób układu krążenia, która będzie łatwa w użyciu i skuteczna. Aby osiągnąć ten cel, w
w niniejszej pracy postawiono następujące pytania badawcze:
1. W jaki sposób można zaprojektować i wdrożyć model bazy danych ontologii, aby wspierać diagnozę poważnych CVD?
2. Jakie są zalety i ograniczenia stosowania modelu ontologii-bazy danych w porównaniu z rozwiązaniami przedstawionymi w Rozdziałe 1: Wprowadzenie do istniejących modeli diagnozy CVD?
3. W jaki sposób prototypowa aplikacja może być dalej rozwijana i oceniana w rzeczywistych warunkach?
Idea pracy uwzględnia również scenariusze bez dostępu do zestawów danych jakościowych/ilościowych lub danych z urządzeń medycznych. Dane wejściowe dla tego ontologicznego modelu bazy danych pochodzą z symptomów użytkownika, prostego formularza zbierającego dane. Projekt zapewnia stan świadomości osób niebędących naukowcami i nielekarzami, poprawia wiedzę pracowników służby zdrowia oraz skraca czas między wystąpieniem choroby a jej rozpoznaniem i leczeniem, co z kolei może zmniejszyć śmiertelność.

Czytaj więcej: Eva Odima Berepiki "Implementation of an application that supports diagnosis of major...

Agnieszka Łach: Deformable registration for AR Assisted Surgery

Celem pracy było zaproponowanie algorytmu dedykowanemu automatycznemu wsparciu wyznaczenia deformacji struktur 3D, z uzyskanych przedoperacyjnych skanów laparoskopowych CT. Dokładność metody oszacowano na podstawie pomiarów ręcznych anatomii struktury docelowej, która miała zostać zdeformowana w wyniku zaproponowanego w pracy algorytmowi. Ocena tak określonej deformacji metodami automatycznymi jest niemożliwa, dlatego sięgnięto po opinię eksperta w kontekście zachowanej geometrii w stosunku do anatomii deformowanej struktury. Ekspert ocenił, że powstałe w ramach zaproponowanego w pracy algorytmu deformacje zostały zatwierdzone w skali 1-10, ze średnią ≈ 9 ,przy 10 ,jako najwyższej w skali ocenie.

Czytaj więcej: Agnieszka Łach: Deformable registration for AR Assisted Surgery