Post on 25-Dec-2019
UNIVERSITATEA TEHNICĂ “GHEORGHE
ASACHI” DIN IAŞI
Rezumat teză de doctorat
Contribuţii la procesarea semnalelor
biomedicale cu aplicaţii în tehnologii asistive
Doctorand
Alexandru Păsărică
Coordonator
Prof. Dr. Ing. Daniela Tărniceriu
Iași 2019
UNIVERSTTATEA TEHNICA'GHEORGHE ASACHT' DIN
RECTORATULrA$!
Cdtre
Vi facem cunoscut ci, in ziua de 18.10.2019, la ora 09:30, in Sala de Consiliu a Facultitii
de ElectronicS. Telecomunicatii si Tehnologia Informatiei din corpul A. va avea loc suslinerea
public5 a tezei de doctorat intitulat5:
"coNTRlBUT!l LA PROCESAREA SEMNATELOR BIOMEDTCALE CU ApttCATlliN TEHNOtOGil
ASISTIVE."
elaborati de domnul ATEXANDRU pASAnICA in vederea conferirii titlului 5tiin[ific de doctor.
Comisia de doctorat este alcituit5 din:
1. Prof, dr. ing. lulian Aurelian Ciocoiu - Universitatea Tehnici ,,Gheorghe Asachi", lagi
2. Prof . dr. ing. Daniela T5rniceriu - Universitatea TehnicS ,,Gheorghe Asachi", lagi
3. Prof. dr. ing. Corneliu Gheorghe Rusu - Universitatea Tehnici Cluj-Napoca
4.Prof . dr. ing. Hariton Costin - Universitatea de MedicinS 9i Farmacie,,GrigoreT. Popa", lagi
5. Prof. dr. ing. Radu Gabriel Bozomitu - Universitatea Tehnicl ,,Gheorghe Asachi", lagi
cASCAVAL
pregedinte
conducitor de doctorat
referent oficial
referent oficial
referent oficial
Cu aceastS ocazie vi invitim s5 participali la suslinerea publici a tezei de doctorat.
Secretar universitate--- itri,';ffi;;;;w./
Cuprins
Introducere .................................................................................................................................... 1
Motivarea alegerii temei ............................................................................................................... 3
Capitolul 1 - Monitorizarea și procesarea biosemnalelor materne și fetale ............................ 4
1.1 Tehnologii asistive de prevenție a riscului în timpul sarcinii .............................................. 4
1.2 Metode de monitorizare a parametrilor fiziologici fetali ..................................................... 5
1.3 Metode de analiză a semnalelor cardiotocografice ............................................................. 5
1.4 Metoda PDC adaptată pentru analiza semnalelor fetale și materne ................................ 10
1.4.1 Dinamica cuplării semnalelor CTG pentru analiza acidozei fetale ........................ 11
1.4.2 Dinamica cuplării semnalelor CTG pentru analiza riscului de naștere prematură
................................................................................................................................................ 14
Capitolul 2 – Sistem de comunicare pentru persoane cu dizabilități neuro-locomotorii bazat
pe detecția direcției privirii ........................................................................................................ 18
2.1 Tehnologii asistive de tip interfață om-calculator ............................................................. 18
2.2 Algoritmi de detecție a direcției privirii .............................................................................. 19
2.2.1 Metode de pre-procesare pentru îmbunătățirea performanțelor algoritmilor ..... 19
2.2.2 Analiza comparativă a metodelor de binarizare ...................................................... 21
2.2.3 Algoritm de detecție a direcției privirii bazat pe transformata Hough circulară . 22
2.2.4 Algoritm de detecție a direcției privirii bazat pe transformata Hough pentru
elipsă ...................................................................................................................................... 23
2.2.5 Algoritm de detecție a direcției privirii bazat pe metoda Starburst ....................... 23
2.2.6 Algoritm de detecție a privirii bazat pe metoda celor mai mici pătrate ................. 24
2.2.7 Algoritm de detecție a direcției privirii bazat pe metoda RANSAC ....................... 24
2.2.8 Algoritm de detecție a direcției privirii bazat pe metoda proiecțiilor .................... 24
2.2.9 Algoritm de detecție a direcției privirii bazat pe identificarea centroidului .......... 25
2.2.10 Algoritm de detecție a direcției privirii bazat pe metoda ExCUSE ...................... 25
2.2.11 Analiza comparativă a algoritmilor pentru imagini statice................................... 25
2.2.12 Analiza comparativă a algoritmilor de detecție a direcției privirii în timp real.. 29
2.2.13 Testarea sistemului implementat în spital ............................................................... 35
2.3 Concluzii .............................................................................................................................. 39
Capitolul 3 – Analiza cuplării canalelor electroencefalografice pentru implementarea
tehnologiilor asistive de tip interfață creier-calculator ............................................................ 41
3.1 Metoda coerenței parțial direcționate (partial directed coherence - PDC) ....................... 42
3.2 Rezultate experimentale ...................................................................................................... 43
3.3 Concluzii .............................................................................................................................. 45
Contribuții personale .................................................................................................................. 47
Bibliografie ................................................................................................................................... 49
Anexa 1 - Chestionar pentru aprecierea SIACT de către pacienţii care au efectuat testarea
sistemului în spitale ..................................................................................................................... 52
1
Introducere
Tehnologia asisitivă are scopul de a îmbunătăți, menține, reface sau monitoriza
funcționalitatea organismului uman pentru persoane vulnerabile, persoane cu risc crescut din
punct de vedere medical, persoane cu dizabilități ce pot fi recuperate sau dizabilități cronice
(Lancioni et al., 2012). Domeniul tehnologiilor asistive prezintă un interes sporit în ultimii ani
datorită îmbunătățirii componentelor tehnologice hardware și software utilizate, atât din punctul
de vedere al miniaturizării acestora, permițând crearea unor dispozitive minim invazive sau non-
invazive, cât și din punctul de vedere al puterii de procesare a informațiilor, prin utilizarea unor
metode și algoritmi performanți care necesită o putere mare de calcul. De asemenea, având în
vedere multidisciplinaritatea acestui domeniu, aplicațiile care pot fi implementate sunt
numeroase, acesta fiind un avantaj pentru stabilirea domeniului tehnologiei asistive ca unul de
mare interes pentru cercetare și dezvoltare (Peek et al., 2014).
Tehnologia asistivă este un domeniu multidisciplinar, iar din acest punct de vedere, în
această lucrare sunt prezentate contribuții la procesarea semnalelor biomedicale și a imaginilor
cu aplicații în tehnologii asistive de prevenție a riscului în timpul sarcinii și tehnologii asistive
de tip interfață om-calculator.
Primul capitol al lucrării, cu titlul ”Monitorizarea și procesarea biosemnalelor materne
și fetale”, prezintă implementarea unor tehnologii asistive de prevenție a riscului în timpul
sarcinii care se bazează pe monitorizarea parametrilor vitali materni și fetali cu scopul de a
identifica probleme medicale care pot influența evoluția sarcinii.
Prima aplicație de tip tehnologie asistivă prezentată urmărește prevenția acidozei
metabolice fetale, care este determinată de lipsa oxigenului la nivelul sângelui fetal din cauza
comprimării cordonului ombilical (Gibb and Arulkumaran, 2017). Aceasta se bazează pe analiza
semnalelor cardiotocografice reprezentate de ritmurile cardiace fetal și matern și contracțiile
uterine materne. Analiza constă în aplicarea metodei de analiză spectrală de putere pe benzi de
frecvență pentru semnalele achiziționate, reprezentate de ritmul cardiac fetal și cel matern, cu
scopul de a identifica variații ale ritmului cardiac în timpul sarcinii. Pe baza acestei metode
standard am propus o nouă metodă hibridă care adaugă analiza semnalului achiziționat
reprezentat de contracțiile uterine materne. Această analiză constă în identificarea unor
evenimente patologice de tip decelerații ale ritmului cardiac folosind ca indicator contracțiile
uterine puternice.
Cea de-a doua aplicație de tip tehnologie asistivă constă în predicția riscului de naștere
prematură, prezentând o abordare nouă a aplicațiilor de monitorizare a parametrilor fiziologici
2
materni și fetali prin analiza semnalelor achiziționate în timpul sarcinii, începând cu al treilea
trimestru (săptămânile 24-26) (Alfirevic et al., 2006). Achiziția datelor a fost realizată în cadrul
Spitalul Clinic de Obstetrică și Ginecologie Cuza Vodă din Iași folosind un dispozitiv portabil,
de la paciente care prezentau risc de naștere prematură și pentru paciente cu sarcină normală.
Semnalele au fost achiziționate non-invaziv la nivelul abdomenului matern și sunt reprezentate
de ritmul cardiac fetal și cel matern și contracțiile uterine materne. Prelevarea semnalelor a fost
realizată respectând standardele de protecție a datelor și consimțământul informat al pacientelor,
prin aprobarea comisiei de etică a spitalului și sub supravegherea personalului medical de
specialitate. Analiza semnalelor achiziționate s-a realizat prin adaptarea metodei de coerență
parțial direcționată (Partial Directed Coherence - PDC) pentru semnalele cardiotocografice.
Această metodă a fost utilizată anterior pentru alte aplicații, precum determinarea nivelului de
cuplare între semnalele electroencefalografice (EEG) achiziționate pentru multiple canale la
pacienți epileptici sau schizofrenici. Metoda constă în analiza în domeniul frecvență a semnalelor
biologice achiziționate pentru a determina nivelul de cuplare (corelație) între acestea pe baza
unui model autoregresiv. Raportul european cel mai recent care prezintă statistica nașterii
premature în anul 2010 (Zeitlin et al., 2013), arată o rată cuprinsă între 5% și 10% pentru toate
țările europene, pentru România fiind de 8%. Această statistică demonstrează că nașterea
prematură rămâne o problemă medicală de interes, fiind necesară aplicarea metodelor de
monitorizare în stadii diferite ale sarcinii pentru a asista personalul medical profesionist în
stabilirea tratamentului necesar pentru ducerea la termen a sarcinii (Pasarica et al., 2016b).
Al doilea capitol, cu titlul ”Sistem de comunicare pentru persoane cu dizabilități neuro-
locomotorii bazat pe detecția privirii”, prezintă tehnologii asistive reprezentate de interfețe om-
calculator pe baza detecției direcției privirii pentru persoane cu dizabilități neuro-locomotorii.
Implementarea dispozitivului constă în două componente pricipale: componenta hardware
reprezentată de o cameră VGA cu rezoluția 640x480 pixeli care filmează în infraroșu, și
componenta software reprezentată de sistemul de detecție a direcției privirii. Acesta din urmă
este la rândul său format din algoritmul de detecție a pupilei și funcția de mapare și control a
cursorului la nivelul ecranului utilizatorului. Am propus pentru analiză trei algoritmi de detecție
a pupilei care se bazează pe trei metode cunoscute, metoda transformatei Hough circulară,
metoda celor mai mici pătrate și metoda RANSAC, trei algortimi de detecție a pupilei cu o
implemetare nouă care nu se regăsește în literatura de specialitate bazați pe metoda transformatei
Hough pentru elipsă, metoda proiecțiilor cu prag de detecție și metoda centroidului ariei maxime
și doi algoritmi open-source de detecție a pupilei din literatura de specialitate (metoda Starburst
și metoda ExCUSE). Analiza comparativă a acestor algoritmi s-a realizat prin utilizarea unui
protocol de testare nou care include analiza pentru imagini statice și analiza în timp real.
3
Sistemul a fost testat atât în condiții de laborator, cât și în cadrul unor teste pe pacienți, realizate
în Spitalul Clinic „Dr. C. I. Parhon” din Iaşi, Clinica de Geriatrie – Gerontologie.
Al treilea capitol, cu titlul ”Studiul cuplării canalelor electroencefalografice în analiza
multiplelor baze de date”, prezintă un studiu preliminar al parametrilor constructivi necesari
implementării unei interfețe om-calculator pe baza analizei semnalelor electroencefalografice
(EEG) din punctul de vedere al numărului minim necesar de canale EEG care trebuie analizate și
canalele specifice care trebuie utilizate pentru implementarea acesteia.
Motivarea alegerii temei
Tehnologia asistivă este un domeniu multidisciplinar de interes pentru cercetare și
dezvoltare care oferă posibilitatea implementării și îmbunătățirii unor aplicații cu un impact
benefic asupra condițiilor de viață ale persoanelor cărora le sunt destinate. Alegerea temei
propuse se bazează pe pregătirea anterioară în domeniul bioingineriei medicale și interesul
autorului în procesarea de semnale biomedicale și procesarea de imagini. Direcțiile de studiu
abordate sunt divizate, așa cum am menționate anterior, în două direcții pricipale: tehnologii
asistive de prevenție a riscului în timpul sarcinii și tehnologii asisitive de tip interfață om-
calculator.
Prima direcție de cercetare este o continuare a studiilor efectuate în timpul masteratului
de Bioinginerie Clinică, dezvoltată în timpul doctoratului printr-un proiect colaborativ cu
Facultatea de Bioinginerie Medicală din Iași și Spitalul Clinic de Obstetrică și Ginecologie Cuza
Vodă din Iași, denumit ”Remote Monitoring of Physiological Parameters to Improve the
Prediction of Fetal Outcome”, finanțat de Universitatea de Medicină și Farmacie ”Gr. T. Popa”
din Iași, contract numărul 31592/23.12.2015.
A doua direcție de cercetare constă în aplicații de procesare de imagini și interfațare om-
calculator, iar dezvoltarea acesteia a fost realizată în cadrul a două proiecte. Primul este proiectul
național al Facultății de Electronică, Telecomunicație și Tehnologie a Informației din Iași,
denumit ”Sistem integrat de asistare pentru comunicare și telemonitorizare destinat persoanelor
cu handicap neurolocomotor sever” (SIACT), finanțat de MEC–UEFISCDI, cod contract: PN-II-
PT-PCCA-2013-4-0761, nr. 21/2014, 2014–2017. Al doilea proiect este realizat în colaborare cu
Academia Română, filiala Iași, Institutul de Informatică Teoretică, denumit ”Medical signal
processing methods based on compressed sensing; applications and their implementation”,
finanțat de Autoritatea Naţională pentru Cercetare Ştiinţifică şi Inovare, CNCS – UEFISCDI,
proiect numărul PN-II-RU-TE-2014-4-0832.
4
Capitolul 1 - Monitorizarea și procesarea biosemnalelor materne și fetale
1.1 Tehnologii asistive de prevenție a riscului în timpul sarcinii
Evoluția unei sarcini poate fi influențată de condițiile medicale materne (afecțiuni de tip
diabet, hipertensiune arterială etc.) sau de alți factori. Aceste tipuri de situații sunt identificate
pentru a stabili modul de acțiune cel mai potrivit (Pasarica et al., 2017d).
Cardiotocografia (CTG) este o metodă utilizată la nivel mondial pentru monitorizarea
semnalelor fiziologice materne și fetale: ritm cardiac matern (FCM) și contracțiile uterine (UC),
respectiv ritm cardiac fetal (FCF). CTG poate fi obținută direct, utilizând un electrod atașat la
scalpul fetal și un senzor de presiune care vine în contact cu fluidul amniotic. Acest tip de
procedură se aplică numai în timpul travaliului, datorită naturii sale invazive. Cea de-a doua
metodă de obținere a CTG este metoda indirectă care necesită atașarea electrozilor pe suprafața
pielii abdominale materne. Semnalul contracției uterine în acest caz este reprezentat de semnalul
de electromiografie, spre deosebire de metoda directă care este reprezentată de presiunea uterină.
Problema cu achiziția indirectă a contracțiilor uterine constă în influențarea acestora de mișcările
materne.
Analiza prezentată în acest capitol constă în aplicarea metodei de analiză spectrală de
putere pe benzi de frecvență pentru semnalele CTG achiziționate, reprezentate de ritmul cardiac
fetal și cel matern, cu scopul de a identifica variații ale ritmului cardiac în timpul sarcinii.
Această metodă este standard în literatura de specialitate, iar din această cauză am propus o nouă
metodă hibridă care combină pe cea menționată anterior cu analiza semnalului achiziționat
reprezentat de contracțiile uterine materne.
Cea de-a doua aplicație de tip tehnologie asistivă abordată în acest capitol constă în
predicția riscului de naștere prematură, prezentând o abordare nouă a aplicațiilor de monitorizare
a parametrilor fiziologici materni și fetali prin analiza semnalelor achiziționate în timpul sarcinii,
începând cu al treilea trimestru (săptămânile 24-26). Metoda utilizată este coerența parțial
direcționată (PDC – partial directed coherence) care este o metodă utilizată în analiza semnalului
în domeniul frecvență 0-1 Hz, prin achiziționarea și evaluarea nivelului de cuplare între
semnalele achiziționate (FCM, FCF și UC). Această metodă cuantifică transferul direct și
indirect de informații. Pe baza conceptului de cauzalitate, este posibil să se stabilească relații de
cuplare între semnalele analizate.
5
1.2 Metode de monitorizare a parametrilor fiziologici fetali
Monitorizarea parametrilor fiziologici fetali este reprezentată de mai multe metode
destinate observării evoluţiei fătului pe toată durata sarcinii, până la naştere. Înregistrări obţinute
prin monitorizare fetală nu pot oferi un diagnostic definitiv asupra stării patologice indicate de
modificările parametrilor fiziologici, dar pot oferi personalului medical responsabil de buna
evoluţie a sarcinii o modalitate de a depista şi de a interveni în cazul sarcinilor cu un nivel
crescut de risc. Scopul monitorizării fetale este de a asigura funcţionarea normală a organelor
fătului, o cantitate suficientă de oxigen necesară pentru metabolismul normal aerob şi schimbul
de nutrienţi de la mamă la făt la nivelul placentei. O metodă folosită în practica curentă în acest
scop este testarea sângelui fetal prelevat de la scalpul fătului din capilarele sangvine. Această
metodă este greu de realizat şi trebuie repetată pentru a obţine noi informaţii pe toată durata
monitorizării (de obicei în timpul travaliului). De asemenea se pot produce complicaţii ale
sarcinii ce pot impune intervenţia chirurgicală sau, în cazurile extreme, pot duce la moartea
fătului. Din această cauză se urmăreşte implementarea unor sisteme de monitorizare fetală puţin
invazive sau non-invazive care pot oferi informaţii pertinenete asupra evoluţiei sarcini fără a
influenţa aceasta în mod negativ.
1.3 Metode de analiză a semnalelor cardiotocografice
Fătul dispune, de obicei, de mecanisme de apărare fiziologice care împiedică apariția pe
termen lung a deficitului de oxigen din sângele fetal în timpul travaliului, dar, în unele cazuri,
aceste mecanisme pot fi slăbite, ceea ce duce la deteriorarea stării fiziologice fetale. Lipsa de
oxigen din fluxul de sânge care ajunge prin cordonul ombilical la făt determină o adaptare a
proceselor metabolice din metabolismul aerobic normal la metabolismul anaerobic. Acest tip de
metabolism are ca efecte secundare producerea de substanţe toxice precum acizii organici (acid
lactic), care nu pot fi eliminate cu ușurință. Acest lucru poate duce la dezechilibre metabolice
(acidoză metabolică) și, în timp, la disfuncții neurologice, paralizie cerebrală sau encefalopatie
(Morrison et al., 2012).
În obstetrică, cardiotocografia (CTG) este o metodă de înregistrare a ritmului cardiac
fetal (FCF) și a contracțiilor uterine (UC) în timpul sarcinii. Aceste semnale reflectă schimbări în
comportamentul fetal și sunt parametri importanți utilizați în cele mai multe tehnici de evaluare a
stării fetale. Analiza spectrală a FCF și identificarea decelerărilor FCF împreună cu UC sunt
utilizate pe scară largă pentru a monitoriza sistemul nervos autonom al fătului care poate
determina modificări în FCF datorate deficitului de oxigen (Czarnek, 2006). Monitorizarea FCF
6
este una dintre cele mai utilizate metode care ajută medicul în a diagnostica posibile anomalii, și
să recunoască stările patologice în timpul etapelor de sarcină (Robinson, 2008).
Ritmul cardiac fetal reflectă comportamentul fetal şi din această cauză este un
parametru fiziologic monitorizat pentru evoluţia fetală. Analiza spectrală a acestui semnal este
folosită pentru a evidenţia schimbările ritmului cardiac fetal cauzate de activitatea sistemului
nervos autonom fetal, sistem responsabil cu reglarea deficienţei de oxigen. Pentru cazurile
anormale la care valoarea pH scade sub 7,2 şi valoarea Bdecf creşte peste 8 mmol/l se pot
evidenţia modificările frecvenţei cardiace.
Aplicând metode de analiză automată a acestor două semnale se poate stabili legătura
dintre rtimul cardiac fetal (FCF) şi contracţiile uterine sub forma variabilităţii FCF. Obţinerea
diferenţierii corecte a acestor legături presupune o bună calitate a semnalului înregistrat (peste
80% raportul dintre semnal util şi zone de semnal lipsă cauzate de mişcările fetale şi materne).
Este necesară definirea principalelor caracteristici ale semnalului FCF şi modificările cauzate de
variabilitatea acestuia (Rotariu et al., 2014b).
Ritmul cardiac de referință reprezintă valoarea medie a FCF care, de obicei, se situează
în intervalul de 110-160 bpm. Determinarea acesteia presupune excluderea din semnal a
segmentelor de variaţie abruptă (variaţie mai mare de 25 bpm față de valoarea de referință a
ritmului cardiac fetal). Un segment de ritm cardiac de referință este un segment de 2 minute în
care valoarea ritmul cardiac fetal nu prezintă modificări majore. Pentru fiecare semnal în parte se
stabileşte un interval de ritm cardiac de referință specific pentru întreaga durată a semnalului,
interval curpins între ±10 bpm față de valoarea medie a ritmului cardiac de referință. Se pot
defini şi segmente de bradicardie care reprezintă o scădere a ritmului cardiac de referință sub 110
bpm pentru o durată mai mare de 2 minute şi segmente de tahicardie care reprezintă o creştere a
valorii de referință a ritmului cardiac fetal peste 160 bpm pe o durată mai mare de 2 minute
(Kwon et al., 2012).
Variabilitatea ritmului cardiac de referință reprezintă fluctuaţii de amplitudine şi durată
mică cu caracter neregulat şi care nu depind exclusiv de contracţiile uterine. Variabilitatea
ritmului cardiac de referință poate fi clasificată în funcţie de amplitudinea semnalului:
• Variabilitate absentă – amplitudinea creşte cu mai puţin de 2 bpm.
• Variabilitate minimă – amplitudinea creşte cu cu mai puţin de 5 bpm.
• Variabilitate moderată – amplitudinea creşte cu 6-25 bpm.
• Variabilitate marcantă – amplitudinea creşte cu peste 25 bpm.
7
Acceleraţiile sunt creşteri periodice ale FCF pe un interval mai lung de 15 s, dar mai
scurt de 2 minute cu mai mult de 15 bpm în raport cu ritmul cardiac fetal de referință a
segmentului anterior. Apariţia acestor acceleraţii este legată de declanşarea unei contracţii
uterine şi reprezintă un răspuns fiziologic normal al fătului. În cazul în care acceleraţia persistă
mai mult de 2 minute se poate vorbi de o accelaraţie persistentă.
Deceleraţiile reprezintă descreşterea FCF asociată cu contracţia. În funcţie de modul în
care începutul contracţiei şi începutul deceleraţiei sunt relaţionate, se pot identifica trei tipuri
diferite de contracţii: deceleraţii precoce, deceleraţii tardive şi deceleraţii prelungite.
Deceleraţiile precoce sunt definite de o scădere a FCF faţă de valoarea de referință a
ritmului cardiac care nu depăşeşte 40 bpm diferenţă în amplitudine şi apare concomitent cu
declanşarea contracţiei. FCF revine la valoarea normală de referință o dată cu terminarea
contracţiei, iar din această cauză astfel de deceleraţii nu sunt asociate cu modificări patologice.
Deceleraţiile precoce sunt cauzate de comprimarea capului fătului în timpul contracţiei (Rotariu
et al., 2014a).
Deceleraţiile tardive încep aproximativ după 15 s de la maximul contracţiei uterine.
Astfel de deceleraţii indică o scădere a fluxului sangvin uterin datorată hipoxiei, comprimării
cordonului ombilical, activităţii uterine puternice, hipotensiunii materne etc. Deceleraţiile tardive
sunt considerate patologice deoarece o frecvenţă mare de apariţie a acestor evenimente poate
induce acidemia metabolică fetală (modificare patologică metabolică).
Deceleraţiile prelungite sunt caracterizate ca o scădere de 30 bpm faţă de ritmul cardiac
de referință a FCF pentru o perioadă cuprinsă între 2 şi 10 minute (Rotariu et al., 2015). Aceste
deceleraţii sunt cauzate de o respiraţie fetală proastă (lipsă de oxigen) şi reprezintă o situaţie cu
un grad crescut de risc. Cauzele unor astfel de evenimente patologice sunt hipotensiunea
maternă, comprimarea cordonului ombilical sau hipertonia uterină.
Baza de date folosită este obținută de pe portalul Physionet: CTU-UHB intrapartum
Cardiotocographic Database, care conține 531 de înregistrări cardiotocografice (din 552, 21 de
înregistrări au fost eliminate pe baza pierderii de semnal mare ~ 80% sau lipsa de adnotări
clinice). Acestea au fost colectate între 2010-2012 de la Spitalul Universitar din Brno (Republica
Cehă). Înregistrările constau din ritm cardiac fetal (FCF măsurat în bpm) și presiune intrauterină
sau contracţii uterine (UC măsurate în mmHg), un exemplu al unei astfel de înregistrări fiind
prezentat în Fig. 1.10. Aceste înregistrări provin de la paciente cu sarcini cu un singur făt şi au
fost realizate în timpul travaliului (Goldberger et al., 2000), (Chudáček et al., 2014).
8
Semnalul FCF prezintă artefacte datorate eșantioanelor neînregistrate care apar din
cauza contactului imperfect dintre electrod și scalpul fetal. Analiza variabilităţii ritmului cardiac
fetal (FCF) depinde de calitatea semnalului iniţial. Semnalul FCF poate fi influențate de mişcări
fetale sau materne, contracţii uterine sau electrodul fetal deplasat, ceea ce duce la un semnal de
intrare inutilizabil pentru analiza computerizată automată (Dong et al., 2014). Astfel, pentru
fiecare înregistrare, am calculat valoarea procentuală a raportului dintre numărul eșantioanele
neînregistrate și numărul total de eșantioane (SLR) cu ajutorul formulei:
SLR = (SL / TS) × 100 (1.1)
unde SL reprezintă eşantioanele neînregistrate ale semnalului și TS reprezintă numărul total de
eşantioane din semnal. SLR are o medie de 18,6% pe întreaga bază de date, cu o valoare maximă
de 53,5%.
Inițial, pentru analiza semnalelor, am aplicat o serie de etape de preprocesare. Primul
pas constă în filtrarea datele FCF cu un filtru de netezire pe o fereastră de 30 de eşantioane. Al
doilea pas necesită identificarea segmentelelor de semnal care nu sunt afectate de pierderea de
semnal prin eliminarea automată a eşantioanelor egale cu 0. Am impus o lungime minimă de 2
minute (480 eşantioane) pentru fiecare segment (lungimea a fost aleasă în funcţie de influența
contracțiilor uterine asupra semnalului FCF) (Schneider et al., 2009).
Pe baza valorii pH-ului și a deficitului bazic (BDecf) am definit două clase: înregistrări
normale (pH ≥ 7,2 și BDecf ≤ 8 mmol / l) și înregistrări anormale (pH <7.2 și BDecf> 8 mmol /
l). Am împărțit baza de date în două grupuri: un grup de control de 100 înregistrări normale și un
grup de test care conține 431 înregistrări, atât normale cât și anormale.
Descompunerea ritmului cardiac fetal în componente de frecvență este un instrument
util în domeniul de prelucrare a biosemnalelor. Am utilizat transformata Fourier rapidă (Fast
Fourier Transform sau FFT) şi am calculat densitatea spectrală de putere pentru trei benzi de
frecvență care nu se suprapun (Munteanu and Tarniceriu, 2005): LF (low frequency) frecvență
joasă (0.03-0.07 Hz), la frecvență medie MF (medium frequency) (0.07-0.13 Hz), și de frecvență
înaltă HF (high frequency) (0,13 -1 Hz). În cazurile anormale (pH <7,2 și BDecf> 8 mmol / l)
indicatorii statistici calculați (MF normalizat - nMF, HF normalizat - nHF și raportul MF/HF)
arată valori mai mari decât în situații normale. Am folosit valorile normalizate ale
componentelor de frecvenţă medie și înaltă şi raportul MF/HF (influența simpato-vagală a
sistemului nervos asupra ritmului cardiac fetal) ca principalii parametri, deoarece aceștia sunt cei
mai potriviți pentru a evidenția variațiile frecvenței cardiace a fătului (Maier et al., 2008).
9
Doar ultimele două benzi de frecvenţă (MF și HF) au fost selectate pentru a efectua
analiza spectrală a semnalului, deoarece acestea oferă cele mai utile informații în ceea ce privește
activitatea fiziologică fetală. Am aplicat FFT pe o fereastră de 480 de eşantioane, cu o
suprapunere de 240 de eșantioane pentru fiecare înregistrare, doar pentru segmentele fără
pierdere de semnal (Jezewski et al., 2010). Valorile obținute pentru fiecare segment sunt
normalizate în mod corespunzător cu ecuațiile (1.2) și (1.3). Am calculat, de asemenea, raportul
dintre MF şi HF folosind formula (1.5) (Cahill et al., 2012).
nMFi = MF / (LF + MF + HF) × 100 (1.2)
nHFi = HF / (LF + MF + HF) × 100 (1.3)
MFHFi = MF/HF (1.4)
Apoi am calculat valorile globale pentru fiecare înregistrare pentru indicatorii statistici
nMF, nHF și MFHF prin utilizarea unei medii ponderate (Rotariu et al., 2014b) :
1
ni
i
i
SnMF nMF
N=
= (1.5)
unde Si este lungimea segmentului analizat fără pierderi de semnal, N lungimea semnalului FCF
pentru înregistrarea analizată, n - numărul de segmente și nMFi – valoarea componentelor de
frecvenţă medie normalizate pentru segmentul analizat "i".
1
ni
i
i
SnHF nHF
N=
= (1.6)
unde nHFi este valoarea normalizată a componentelor de frecvenţă înaltă pentru segmentul
analizat "i".
1
ni
i
i
SMFHF MFHF
N=
= (1.7)
unde MFHFi este raportul MF/HF pentru segmentul "i" al înregistrării.
Pentru această analiză s-au determinat, de asemenea, prezența decelerațiilor FCF
influențate de contracțiile uterine. Decelerațiile sunt scăderi periodice ale FCF asociate cu
contracțiile uterine. Bazat pe reactivitatea și comportamentul în legătură cu contracția,
decelerațiile pot fi clasificate ca: deceleraţii anticipate, deceleraţii tardive și deceleraţii prelungite
(Hatakeyama et al., 2014).
Testul „t” Student cu o valoare p <0,05 a fost efectuat între grupul de control și grupul
de testare. Înregistrările din grupul de testare sunt clasificate ca normale și anormale. Rezultatele
10
finale au fost confirmate pe baza valorii pH-ului și BDecf. Înregistrările sunt identificate după
cum urmează: TP - adevărat pozitive: înregistrări care au fost clasificate în mod corect ca
anormale, TN - adevărat negative: înregistrări normale, clasificate corect, FP - fals pozitive:
înregistrări normale clasificate ca anormale, FN - fals negative: înregistrări anormale care au fost
determinate ca fiind normale.
Clasificarea grupului de testare în înregistrări normale si anormale în comparație cu
valorile parametrilor obținuți pentru grupul de control este rezumată în Tabelul 1.1. Pe baza
acestor valori am evaluat sensibilitatea și specificitatea metodei.
SE = TP / (TP + FN) (1.8)
SP = TN / (TN + FP) (1.9)
Tabel 1.1 - Clasificarea grupului de test
Tip Rezultate Referinţă
Anormal TP FN
62 61 1
Normal TN FP
369 249 120
Total 431 431
Prezența decelerațiilor tardive și prelungite ale semnalului FCF este folosită ca un
instrument suplimentar de confirmare în identificarea înregistrările anormale (pH <7.2 și BDecf>
8 mmol / L). Această condiție permite identificarea înregistrărilor fals pozitive și fals negative,
crescând performanța generală a clasificării la sensibilitate 98,38% și specificitate 78,24%, cu
distribuția de clasă (Rotariu et al., 2015).
1.4 Metoda PDC adaptată pentru analiza semnalelor fetale și materne
Mecanismele fiziologice care sunt răspunzătoare pentru dezvoltarea normală a fătului
pot determina un răspuns care va conduce la stres fiziologic fetal în timpul travaliului. Acest
răspuns fiziologic se manifestă prin apariția acidozei metabolice fetale, care se poate măsura prin
nivelul pH-ului sângelui la nivel ombilical. Acidoza metabolică este cauzată de acumularea de
acizi organici, cum ar fi acidul lactic, rezultați din procese metabolice anaerobe care apar din
cauza lipsei de oxigen. Consecințele acidozei metabolice sunt apariția în timp a paraliziei
cerebrale, disfuncțiilor neurologice și alte probleme de dezvoltare cerebrală.
11
Metoda clasică de măsurare a nivelului pH-ului pentru a determina apariția acidozei
fetale este reprezentată de extragerea unei mostre de sânge fetal la nivelul scalpului. Această
metodă prezintă o serie de riscuri cum sunt infecțiile sau hemoragiile și declanșarea unui travaliu
prematur. De asemenea, metoda necesită un timp de pregătire lung și din această cauză nu se pot
extrage probe la intervale scurte de timp. Din această cauză studiul dinamicii dintre frecvența
cardiacă fetală (FCF) și presiunea intra-uterină (UP) care determină contracțiile uterine (UC) este
un domeniu de interes pentru tehnologiile de asistare a femeilor însărcinate. Tehnica
monitorizării semnalelor fiziologice materne și fetale se numește cardiotocografie (CTG) și este
o metodă des folosită în monitorizarea evoluției intra uterine a fătului.
Baza de date de semnale CTG folosită este CTU-UHB Intrapartum Cardiotocography
Database disponibilă public pe Physionet. Această bază de date conține 531 înregistrări CTG cu
două semnale: frecvența cardiacă fetală și contracțiile uterine. Acestea sunt achiziționate de la
paciente cu sarcini singulare în intervalul de timp care precede nașterea. Fiecare înregistrare are
atașată o fișă a pacientului care conține o serie de informații clinice prezentate în Tabelul 1.8,
cum ar fi tipul de naștere (normal sau cezariană) și parametrii fiziologici fetali (pH, deficit bazic,
greutate fetală). Înregistrările au fost realizate la spitalul Universitar Brno (Republica Cehă)
(Chudáček et al., 2014).
1.4.1 Dinamica cuplării semnalelor CTG pentru analiza acidozei fetale
Valorile FCF au fost transformate în intervale între bătăi ale inimii, sau intervale între
unde R consecutive (intervale RR),.pentru a putea aplica metoda coerenței parțiale direcționate
(partial directed coherence – PDC) (Baccalá and Sameshima, 2001):
RRi = 60/FCFi (1.10)
unde RRi și FCFi sunt valorile instantanee ale semnalului pentru un eșantion oarecare i din
numărul total de eșantione ale celor două semnale RR, respectiv FCF.
Metoda PDC este folosită pentru a determina nivelul de cuplare dintre două serii de
timp, care descriu în acest caz intevalele RR și contracțiile uterine. Metoda necesită folosirea
unui model autoregresiv multicanal (MAR) de ordin p care determină influența unei iterații xj(n-
r) asupra unei interații xi(n), unde x reprezintă seria de timp analizată, adică fie intervalele RR fie
contractile uterine. Modelul autoregresiv de ordin p se definește astfel (Baccalá et al., 2007):
1 1 1
1
( )
( ) ( ) ( )
( ) ( )
p
r
r
N N N n
x n x n r w n
A
x n x n r w=
−
= + −
(1.11)
12
unde wi(n) este matricea de covarianță și Ar este matricea care conține elementele aij(r) care
reprezintă efectul interacțiunii liniare a iterației xj(n-r) asupra xi(n).
11 12 1
1
( ) ( ) ( )
(r)
(r) (r)
N
r ij
N NN
a r a r a r
A a
a a
=
(1.12)
Intervalul de frecvență ales pentru a determina rezultatele analizei PDC este 0-1 Hz
deoarece lățimea de bandă corespunde schimbărilor semnificative ale FCF. Metoda se aplică
pentru o fereastră dreptunghiulară de durată 2 minute cu o suprapunere de 1 minut. Aceste
intervale au fost alese în funcție de influența contracțiilor uterine asupra variabilității FCF
(Devane et al., 2012).
Valorile nivelului de cuplare dintre FCF și UC sunt determinate prin:
( , )
( )( , ) ( , )
ij
ijH
j j
A n fn
a n f a n f = (1.13)
unde ij(n) este parametrul de corelație, H este transpusa hermitică, Aij(n,f) este transformata
Fourier a matricii Ar(n) care conține elementele aij(n,f), n este numărul de ferestre analizate iar f
este variabila din domeniul de frecvență.
Valoarea parametrului de corelație a fost utilizată pentru a stabili legătura dintre FCF și
UC. Acest parametru ia valori între 0 și 1, 0 corespunde unui nivel scăzut de cuplare iar 1
corespunde unei legături strânse între cele două semnale. Pentru fiecare fereastră analizată,
respectiv fiecare înregistrare, am obținut o valoare a parametrului de corelație. Valoarea medie a
acestui parametru specifică fiecărei înregistrări a fost utilizată pentru a clasifica înregistrările în
două clase: normal și anormal sau acidoză (Grivell et al., 2010).
Pe baza valorii nivelului pH-ului mai mare ca 7,15 am selectat 100 de înregistrări
normale din baza de date, acestea reprezentând un grup de control. Celelalte înregistrări (431)
reprezintă grupul de studiu pentru care determinăm parametrul de corelație folosind metoda
PDC. Aplicăm ulterior un test Student t cu valoarea p<0,05 între valorile parametrului de
corelație determinate pentru cele două grupuri pentru a putea clasifica înregistrările din grupul de
studiu în cele două clase: normal și anormal. Determinăm, de asemenea, și deviația standard și
entropia Shannon a parametrilor de corelație obținuți pentru grupul de studiu pentru a evalua
complexitatea corelației dintre FCF și UC.
13
Determinăm pentru o înregistrare normală rezultatul analizei PDC prin influența directă
RR←UC și UC←RR, prezentate în Fig. 1.1, influență cuantificată prin valoarea parametrului de
corelație pe o scală de la 0 la 1. Similar, efectuăm analiza PDC pentru o înregistrare cu acidoză
metabolică (Fig. 1.2) (Pasarica et al., 2015).
Fig 1.1 - a) Rezultat analiză PDC a unei înregistrări normale pentru influența directă RRUC; b) Rezultat PDC
pentru influența UCRR
Fig. 1.2 - a) Rezultatul analizei cu metoda PDC a unei înregistrări anormale pentru influența directă RRUC și
b) pentru influența UCRR
Influența directă UCRR indică o legătură strânsă pentru nivelul de cuplare al
înregistrărilor anormale care au fost identificate ca acidoză (pH<7,15) și o influență egală pentru
înregistrările normale. Pentru influența directă UCRR parametrul de corelație are valori mai
ridicate pentru înregistrări anormale, în intervalul 0.5 și 1, și valori scăzute pentru înregistrări
normale, în intervalul 0 și 0,6 (Pasarica et al., 2015).
Înregistrările din grupul de studiu au fost clasificate în felul următor:
• TP – (true positive) înregistrări clasificate corect ca fiind anormale sau acidoză
(pH<7,15);
• TN – (true negative) înregistrări clasificate corect ca fiind normale (pH>7,15);
• FP – (false positive) înregistrări clasificate ca fiind anormale, dar sunt de fapt
înregistrări normale;
• FN – (false negative) înregistrări anormale clasificate incorect ca normale.
14
Pe baza numărului de înregistrări din grupul de studiu identificate corect sau incorect,
prezentat în Tabelul 1.2, determinăm sensibilitatea (SE) și specificitatea (SP) folosind formulele:
SE = TP/(TP+FN) (1.14)
SP = TN/(TN+FP) (1.15)
Tabel 1.2 – Clasificarea grupului de studiu în înregistrări normale și anormale
Clasa Rezultate Criteriu clasificare (pH )
Anormal TP FN
98 92 6
Normal TN FP
333 277 56
Total 431 431
Rezultatele obținute folosind valorile din Tabelul 1.10 sunt sensibilitate SE=93,8% și
specificitate SP=83,1%. Valoarea scăzută a specificității este determinată de numărul de
înregistrări fals pozitive obținute în urma procesului de clasificare. Motivul obținerii acestor
înregistrări este reprezentat de un nivel crescut de pierderi de semnal pentru unele înregistrări,
valoarea maximă a pierderii de semnal fiind 53,5% cu o valoare medie pentru toate înregistrările
analizate de 18,6%. Numărul de eșantioane neînregistrate (SLR) se definește ca raportul dintre
numărul de eșantioane egale cu 0 și care corespund artefactelor cauzate de un contact imperfect
al electrozilor și numărul total de eșantioane al înregistrării analizate (Liang et al., 2016).
Coerența parțială direcționată (PDC) folosită pentru analiza dinamicii cuplării dintre FCF
și UC indică o legătură puternică între cele două semnale pentru influența directă UCRR. Pe
baza acestei legături și pe baza valorilor parametrului de corelație am clasificat înregistrările din
grupul de studiu în două clase: normal și anormal. Rezultatele au fost comparate cu starea la
naștere care este determinată de parametrii clinici prezentați în fișa clinică atașată fiecărei
înregistrări. Criteriul principal ales din fișa clinică este representat de valoare nivelului de pH la
naștere, alegând ca valoare de prag pH=7,15, înregistrările normale fiind peste această valoare
iar înregistrările anormale sub această valoare. Clasificarea a fost realizată cu o sensibilitate SE =
93,8% și o specificitate SP = 83,1%.
1.4.2 Dinamica cuplării semnalelor CTG pentru analiza riscului de naștere prematură
Evoluția sarcinii poate fi influențată de probleme medicale materne cum sunt diabetul
sau presiunea sangvină ridicată. Identificarea unor astfel de probleme poate ajuta specialiștii
medicali să stabilească un tratament eficient pentru buna dezvoltare a fătului. Spre deosebire de
monitorizarea semnalelor cardiotocografice în timpul travaliului care este o tehnică invazivă care
presupune atașarea electrozilor la nivelul scalpului, monitorizarea antepartum se realizează în
15
timpul sarcinii, începând cu cel de-al doilea trimestru când se dezvoltă sistemul circulator fetal și
se poate identifica activitatea cardiacă fetală, prin atașarea unor electrozi la nivelul pielii
abdomenului mamei. În acest caz contracțiile uterine sunt reprezentate de activitatea electrică a
musculaturii abdominale materne. Aceasta este o metodă de monitorizare indirectă. Avantajul
principal al metodei indirecte de monitorizare a contracţiilor uterine este faptul că este o metodă
non-invazivă. De asemenea, este o metodă ce poate fi folosită eficient şi în perioada care precede
travaliului. Metoda poate fi folosită doar pentru determinarea cantitativă a frecvenţei de apariţie
a contracţiilor şi a duratei acestora. Amplitudinea semnalului depinde în mare măsură de
poziţionarea senzorului la nivelul abdomenului (Pasarica et al., 2016b).
Baza de date folosită pentru analiza PDC antepartum constă în 112 înregistrări CTG
achiziționate la Spitalul Clinic de Obstetrică și Ginecologie Cuza Vodă din Iași. Înregistrările au
fost realizate utilizând dispozitivul portabil de monitorizare fetală și maternă Monica Healthcare
AN24. Înregistrările prezintă semnale de frecvență cardiacă maternă (FCM) și frecvență cardiacă
fetală (FCF) (măsurate în bătăi pe minut - bpm) și contracții uterine (UC – măsurate în mV), care
reprezintă principalele semnale urmărite pentru monitorizarea CTG, la care se adaugă un semnal
prin care se codifică gradul de mișcare maternă prin 3 nivele diferite de mișcare și un domeniu
separat care permite adăugarea unor indicatoare pentru evenimente specifice stabilite de medicul
specialist. Semnalele sunt eșantionate cu o frecvență de 4 Hz. Pentru fiecare înregistrare s-a
realizat o fișă de consimțământ prin care acestea pot fi folosite pentru cercetare și alte aplicații.
Determinăm valorile parametrului de corelație a semnalelor luate în pereche. Figura 1.3
reprezintă rezultatul analizei PDC pentru o înregistrare din grupul de control (înregistrări
normale cu un risc scăzut de naștere prematură). Fig. 1.4 reprezintă rezultatul analizei PDC
pentru o înregistrare din grupul de studiu (înregistrare patologică cu nivel ridicat de risc pentru
naștere prematură). Analiza perechilor de semnale a arătat diferențe semnificative pentru
influența directă FCMUC și FCFUC. Celelalte perechi de semnale (FCMFCF,
FCFFCM, UCFCM, UCFCF) prezintă o influență liniară, acest tip de comportament fiind
normal pentru aceste semnale având în vedere ritmul circadian și simbioza maternal-fetală.
Pentru cele două corelații FCMUC și FCFUC valoarile parametrului de corelație sunt mai
ridicate pentru înregistrările cu nivel crescut de risc de naștere prematură pentru ambele influențe
(Pasarica et al., 2016b).
16
Fig. 1.3 - Parametrii de corelație pentru o înregistrare cu un nivel scăzut de risc de naștere prematură
Înregistrările cu un nivel scăzut de risc de naștere prematură prezintă valori medii ale
parametrului de corelație pentru influența directă FCMUC de 0,3 și respectiv FCFUC de
0,26. Pentru înregistrările cu un nivel crescut de risc de naștere prematură aceste valori sunt mai
ridicate, 0,4 pentru influența FCMUC respectiv 0,39 pentru influența FCFUC.
Fig. 1.4 - Rezultatele analizei PDC pentru o înregistrare patologică cu un nivel ridicat de risc de naștere prematură
Pentru a determina diferențele dintre cele două grupuri din punct de vedere statistic, am
aplicat un test Student t între valorile medii ale parametrilor de corelație calculați pentru fiecare
înregistrare analizată. Rezultatele testului t sunt prezentate în Tabelul 1.3 (Pasarica et al., 2016b).
Tabel 1.3 – Rezultatele testului t pentru cuplarea dintre canalele FCM←UC și FCF←UC
Cuplare canale h Valoare medie Interval de încredere
95%
Deviație
standard
Valoare
p Grup control Grup studiu
FCM←UC 1 0.287±0.21 0.4±0.12 0.061 0.196 0.166 0.015
FCF←UC 1 0.264±0.2 0.393±0.11 0.045 0.187 0.174 0.026
Frecventa (Hz)
Nr.
fe
restr
e FCM<--FCF
0 0.5 1
0
5000
10000
0
0.2
0.4
0.6
0.8
1
Frecventa (Hz)
Nr.
fe
restr
e FCM<--UC
0 0.5 1
0
5000
10000
0
0.2
0.4
0.6
0.8
1
Frecventa (Hz)
Nr.
fe
restr
e FCF<--FCM
0 0.5 1
0
5000
10000
0
0.2
0.4
0.6
0.8
1
Frecventa (Hz)
Nr.
fe
restr
e FCF<--UC
0 0.5 1
0
5000
10000
0
0.2
0.4
0.6
0.8
1
Frecventa (Hz)
Nr.
fe
restr
e UC<--FCM
0 0.5 1
0
5000
10000
0
0.2
0.4
0.6
0.8
1
Frecventa (Hz)
Nr.
fe
restr
e UC<--FCF
0 0.5 1
0
5000
10000
0
0.2
0.4
0.6
0.8
1
Frecventa (Hz)
Nr.
fe
restr
e FCM<--FCF
0 0.5 1
0
5000
10000
0
0.2
0.4
0.6
0.8
1
Frecventa (Hz)
Nr.
fe
restr
e FCM<--UC
0 0.5 1
0
5000
10000
0
0.2
0.4
0.6
0.8
1
Frecventa (Hz)
Nr.
fe
restr
e FCF<--FCM
0 0.5 1
0
5000
10000
0
0.2
0.4
0.6
0.8
1
Frecventa (Hz)
Nr.
fe
restr
e FCF<--UC
0 0.5 1
0
5000
10000
0
0.2
0.4
0.6
0.8
1
Frecventa (Hz)
Nr.
fe
restr
e UC<--FCM
0 0.5 1
0
5000
10000
0
0.2
0.4
0.6
0.8
1
Frecventa (Hz)
Nr.
fe
restr
e UC<--FCF
0 0.5 1
0
5000
10000
0
0.2
0.4
0.6
0.8
1
17
Metoda PDC poate fi folosită pentru analiza semnalelor cardiotocografice achiziționate
în cel de-al doilea trimestru de sarcină pentru a evidenția corelația dintre FCF și FCM și UC,
care se manifestă diferit pentru înregistrări achiziționate de la paciente cu sarcini normale,
respectiv înregistrări achiziționate de la paciente cu risc de naștere prematură crescut. Rezultatele
obținute arată un nivel mai ridicat de corelare pentru înregistrări cu un risc ridicat de naștere
prematură. În urma analizei efectuate, s-a putut observa un grad ridicat de influență a metodelor
de pre-procesare asupra rezultatelor finale, în special pentru înregistrările cu multe artefacte
cauzate de un contact defectuos între electrozi și abdomenul matern, care apare în urmă
mișcărilor mamei. De asemenea, s-a putut observa o influență liniară între datele de la mamă și
cele de la făt datorate ritmului circadian.
18
Capitolul 2 – Sistem de comunicare pentru persoane cu dizabilități neuro-
locomotorii bazat pe detecția direcției privirii
2.1 Tehnologii asistive de tip interfață om-calculator
Tehnologiile asistive au rolul de a oferi persoanelor care prezintă probleme în
desfășurarea activităților de zi cu zi posibilitatea de a realiza aceste activități. Îmbunătățirea
actului medical dedicat persoanelor cu dizabilități neuromotorii severe, fie acestea temporare (de
exemplu, în urma unei operații) sau permanente (pareze totale sau parțiale) este un obiectiv al
tehnologiilor asistive. Sistemul implementat presupune asistarea persoanelor cu dizabilități prin
facilitarea comunicării dintre pacient și personalul medical (Al-Rahayfeh and Faezipour, 2013).
Acest sistem este bazat pe identificarea direcției privirii pacientului prin procesarea imaginilor în
timp real a unei înregistrări video achiziționate folosind o cameră care filmează în infraroșu (Nita
et al., 2015).
Camera are o rezoluție de 640x480 pixeli și un filtru din sticlă atașat peste obiectivul
acesteia care are rolul de a filtra lumina din spectrul vizibil și de a permite trecerea luminii
infraroșii transmisă prin 6 leduri. Este necesar să se folosească o astfel de cameră pentru
achiziționarea imaginilor, deoarece se poate determina o diferență pronunțată între iris și pupilă.
Pupila prezintă un grad mai mare de întunecare pe imaginile infraroșu din cauza sclerei care
reflectă lumina infraroșu (Young and Sheena, 1975). Sistemul permite pacientului să transmită
informații uzuale prin selecția unor cuvinte cheie dintr-un set predefinit de imagini ce sunt
afișate pe ecranul pacientului. Selecția se poate realiza fie prin clipire (Păsărică et al., 2016) fie
prin staționarea privirii un anumit timp asupra unei anumite imagini (Pasarica et al., 2017a).
Literatura de specialitate în acest domeniu constă în articole care abordează diferite
metode de detecție a direcției privirii pe baza analizei imaginilor statice, cum ar fi cazul unui
studiu comparativ al metodelor Starburst (Li et al., 2005), Swirski (Świrski et al., 2012), Pupil
Labs (Kassner et al., 2014), SET (Javadi et al., 2015), ExCuSe (Fuhl et al., 2015) și ElSe (Fuhl et
al., 2016a) prezentat în (Fuhl et al., 2016b). Implementarea unei aplicații în timp real folosind
detecția direcției privirii necesită identificarea unor indicatori de performanță ai algoritmilor.
Această idee nu este aprofundată în multe articole, iar cele care abordează această temă
raportează performanțe scăzute pentru aplicații în timp real, în special din punctul de vedere al
timpului de procesare al algoritmilor. În (Mohammed et al., 2012) este prezentat un algoritm
performant bazat pe metoda proiecțiilor, dar care are un timp de procesare nesatisfăcător pentru
aplicații în timp real. În (Gibaldi et al., 2017) este prezentat principiul de funcționare a unui
dispozitiv comercial de detecție a direcției privirii în ceea ce privește performanța în timp real.
19
Acest capitol prezintă comparația dintre trei algoritmi de detecție a pupilei implementați
folosind trei metode cunoscute (metoda transformatei Hough circulară, metoda celor mai mici
pătrate și metoda RANSAC), trei algortimi de detecție a pupilei cu o implemetare nouă care nu
se regăsește în literatura de specialitate (metoda transformatei Hough pentru elipsă, metoda
proiecțiilor cu prag de detecție și metoda centroidului ariei maxime) și doi algoritmi open-source
de detecție a pupilei din literatura de specialitate (metoda Starburst și metoda ExCUSE) prin
aplicarea unui nou protocol de testare care combină atât analiza pentru imagini statice cât și
analiza în timp real.
2.2 Algoritmi de detecție a direcției privirii
Procesarea imaginilor ochiului pentru detecția direcției privirii se realizează folosind
algoritmul de detecție a direcției privirii implementat în Matlab (Lupu et al., 2017). Etapele
algoritmului sunt prezentate în Fig. 2.1:
I. Achiziția video folosind
camera IR
II. Filtrarea imaginilor
folosind un filtru Gaussian
III. Calibrarea sistemului
pentru 9 puncte țintă
IV. Determinarea centrului
pupilei folosind algoritmul
detecție privire
V. Etapa de mapare
VI. Stabilizarea mișcării
cursorului pe ecran prin
filtrare
Fig. 2.1. Algoritmul de determinarea a centrului pupilei
Algoritmul trebuie să ofere o modalitate robustă și rapidă de determinare a centrului
pupilei pentru a putea fi folosit într-o aplicație de asistare a persoanelor cu dizabilități
neuromotorii.
2.2.1 Metode de pre-procesare pentru îmbunătățirea performanțelor algoritmilor
Creșterea performanțelor algoritmilor de detecție a direcției privirii se realizează prin
impunerea a trei criterii de funcționare a acestora. Aceste criterii se referă la scăderea timpului de
procesare în vederea implementării unor aplicații de tehnologie asistivă în timp real, creșterea
preciziei de identificare a conturului și a centrului pupilei, creșterea proprietății de adaptabilitate
a sistemului implementat pentru diverse condiții de mediu și diferite persoane. Metodele de
îmbunătățire a algoritmilor au rolul de a înlătura artefactele din imaginea achiziționată,
determinate în mod obișnuit de componente întunecate din imagine.
20
În acest sens, pașii de pre-procesare care au fost implementați sunt specifici fiecărei etape
intermediare a algoritmului de detecție a pupilei și, implicit, a direcției privirii. Prima etapă care
constă în achiziția de imagini presupune utilizarea unei camere video capabilă să achiziționeze
imagini în spectrul infraroșu (IR). În acest sens, sistemul utilizează o cameră USB cu rezoluția
spațială de 640x480 pixeli care a fost adaptată prin folosirea unui filtru din sticlă IR poziționat
peste obiectivul camerei și prin schimbarea sursei de iluminare reprezentată de LED-uri standard
cu LED-uri IR (Kumar et al., 2017). În acest fel putem beneficia de proprietatea retinei oculare
de a reflecta lumina IR, tehnică folosită în aplicații de detectare a pupilei care poartă denumirea
de tehnica pupilei întunecate (dark pupil technique) .
O altă etapă de preprocesare constă în aplicarea unei etape de binarizare care permite
separarea pixelilor corespunzători pupilei (pixeli obiect) de pixelii de fundal. Pentru a determina
metoda optimă de binarizare am implementat și testat o serie de metode de alegere a pragului de
binarizare, dintre acestea, două metode sunt nou propuse (metoda pragului cantitativ și metoda
selecției de caracteristici), iar celelalte metode au fost adaptate din literatură pentru a fi utilizate
pentru aplicații de detecției a direcției privirii:
A. Metoda pragului fix determinat experimental (Singh et al., 2012)
B. Metoda pragului cantitativ (prag 0.05% și 0.1%) (Pasarica et al., 2016a)
C. Metoda funcției de repartiție (cumulative distribution function - CDF) (Sim et al.,
2007)
D. Metoda selecției de caracteristici (Pasarica et al., 2017b)
E. Metoda erorii minime Kittler (Kittler and Illingworth, 1986)
F. Metoda Bradley pentru suma integrală a imaginii (Bradley and Roth, 2007)
G. Metoda Bernsen (Bernsen, 1986)
H. Metoda Niblack (Niblack, 1985)
Precizia metodelor de binarizare este determinată prin compararea rezultatelor obținute
cu imaginea ideală a pupilei rezultată din adnotarea manuală. Comparația se realizează prin
suprapunerea celor 2 imagini și clasificarea pixelilor în două clase (Pasarica et al., 2016a). Cele
două clase de pixeli sunt:
Pixeli din zona pupilei – pixeli negri care corespund pupilei. Pixelii identificați corect
sunt denumiți pixeli pupilă corecți (PPC) iar pixelii identificați ca aparținând pupilei, dar sunt de
fapt pixeli de fundal sunt denumiți pixeli pupilă incorecți (PPI).
Pixeli din zona de fundal – pixeli albi care corespund zonei de fundal. Pixeli identificați
corect sunt denumiți pixeli fundal corecți (PFC) iar pixelii identificați ca aparținând fundalului
dar sunt de fapt pixeli din zona pupilei sunt denumiți pixeli fundal incorecți (PFI).
21
Precizia metodei de binarizare este determinată prin formula:
( )% 100PPC
PPPC PPF PFI
= + +
(2.1)
2.2.2 Analiza comparativă a metodelor de binarizare
Analiza comparativă a metodelor de binarizare a fost realizată folosind două baze de date
de imagini statice. Prima bază de date (DB 1) constă în 184 de imagini achiziționate în condiții
de laborator. Aceste imagini prezintă pupila în diferite poziții (sus/jos, stânga/dreapta sau
central) pentru a putea observa modul în care se modifică forma pupilei în funcție de direcția de
privire și de unghiul de poziționare al camerei. Forma pupilei devine eliptică în momentul în care
aceasta este poziționată spre marginile imaginii, iar în poziție centrală are formă circulară
(Pasarica et al., 2017b).
A doua bază de date (DB 2) conține 410 imagini IR obținute din baza de date publică
CASIA-Iris-Lamp (baza de date conține în totalitate aproximativ 16000 de imagini ale ochiului
de diferite tipuri). Imaginile utilizate pentru comparația metodelor de binarizare provin de la 41
de subiecți diferiți (câte 10 imagini pentru fiecare subiect) (Casia-IRIS-Lamp, 2010). Principala
caracteristică a acestor imagini este reprezentată de condiții diferite de iluminare, iar poziția
pupilei în toate imaginile este centrală (direcția privirii înainte). Rezoluția imaginilor din baza de
date publică este, de asemenea, 640x480 pixeli. Metoda de achiziție a acestor imagini constă în
utilizarea unui suport pentru bărbie fix, poziționat în fața camerei IR.
Tabelul 2.1 prezintă rezultatele de precizie prin valoarea medie și deviația standard
obținute pentru fiecare metodă pentru intervalul de încredere 95%. Figurile 2.2 și 2.3 prezintă
graficele valorilor preciziei obținute pentru toate metodele de segmentare aplicatei primei baze
de date DB1, respectiv celei de-a doua DB2.
Tabel 2.1 – Precizia metodelor de segmentare pentru cele două baze de date (DB1 și DB2)
Metodă Val medie
P% DB1
Deviație standard
DB1 (CI = 95%)
Val medie
P% DB2
Deviație standard DB2
(CI = 95%)
Prag fix 83,41 6,78 79,17 13,98
Prag cantitativ t = 0,5 % 76,04 16,24 88,59 6,51
Metoda CDF 75,87 9,22 56,54 21,46
Metoda separației de
caracteristici 80,94 6,19 80,86 24,59
Metoda Kittler 84,77 17,12 83,87 22,02
Metoda Bradley 82,42 6,71 88,96 6,54
Metoda Bernsen 81,92 5,84 85,94 19,43
Metoda Niblack 64,87 12,23 29,86 27,21
22
Fig. 2.2. Reprezentarea grafică a valorilor preciziei obținute pentru toate metodele de segmentare aplicate
primei baze de date (DB1)
Fig. 2.3. Reprezentarea grafică a valorilor preciziei obținute pentru toate metodele de segmentare aplicate
celei de-a doua baze de date (DB2)
2.2.3 Algoritm de detecție a direcției privirii bazat pe transformata Hough circulară
Transformata Hough poate fi folosită pentru a determina raza și coordonatele centrului
pupilei într-o imagine analizată. Principalul avantaj al acestei metode este faptul că, spre
deosebire de alte metode care se bazează pe detecție de contur, transformata Hough este mai
puțin afectată de conturul întrerupt determinat de punctele de margine și nu este afectată de
imagini zgomotoase (zgomot de tip sare și piper, zone întunecate ale imaginii, zone de
supraexpunere etc.) (Cherabit et al., 2012).
Ecuația unui cerc este reprezentată de:
( ) ( )2 2 2 0x a y b r− + − − = (2.2)
0 50 100 1500
20
40
60
80
100
Prag fix experimental
Nr. imagini
P (
%)
0 50 100 1500
20
40
60
80
100
Prag cantitativ t=0.01%
Nr. imagini
P (
%)
0 50 100 1500
20
40
60
80
100
Metoda CDF
Nr. imagini
P(%
)
0 50 100 1500
20
40
60
80
100
Metoda selectie de caracteristici
Nr. imagini
P (
%)
0 50 100 1500
20
40
60
80
100
Metoda Kittler
Nr. imagini
P (
%)
0 50 100 1500
20
40
60
80
100
Metoda Bradley
Nr. imagini
P (
%)
0 50 100 1500
20
40
60
80
100
Metoda Bernsen
Nr. imagini
P (
%)
0 50 100 1500
20
40
60
80
100
Metoda selectie de caracteristici
Nr. imagini
P (
%)
0 200 4000
20
40
60
80
100
Prag fix experimental
Nr. imagini
P (
%)
0 200 4000
20
40
60
80
100
Prag cantitativ t=0.01%
Nr. imagini
P (
%)
0 200 4000
20
40
60
80
100
Metoda CDF
Nr. imagini
P(%
)
0 200 4000
20
40
60
80
100
Metoda selectie de caracteristici
Nr. imaginiP
(%
)
0 200 4000
20
40
60
80
100
Metoda Kittler
Nr. imagini
P (
%)
0 200 4000
20
40
60
80
100
Metoda Bradley
Nr. imagini
P (
%)
0 200 4000
20
40
60
80
100
Metoda Bernsen
Nr. imagini
P (
%)
0 200 4000
20
40
60
80
100
Metoda selectie de caracteristici
Nr. imagini
P (
%)
23
unde a și b sunt coordonatele centrului iar r este raza cercului. Astfel, transformata Hough poate
fi descrisă prin determinarea spațiului parametric reprezentat de cele 3 necunoscute a, b și r.
2.2.4 Algoritm de detecție a direcției privirii bazat pe transformata Hough pentru elipsă
Transformata Hough pentru elipsă (EHT) este o metodă similară cu CHT din prisma
faptului că ambele sunt metode care se bazează pe un vot pentru selecția centrului pupilei.
Deosebirea apare din modul în care este construită matricea acumulator în cele două situații,
fiind necesar un acumulator 3D pentru CHT și un acumulator 5D pentru EHT (Lu and Tan,
2008). Parametrii care descriu acumulatorul EHT sunt reprezentați de coeficienții geometrici ai
ecuației parametrice pentru elipsă:
0
0
cos
sin
x x a
y y b
= +
= + (2.3)
unde (x0, y0) reprezintă coordonatele centrului elipsei, a și b sunt semiaxele acesteia iar φ
reprezintă unghiul de rotație. Din cauza nivelului computațional ridicat al unui astfel de
acumulator, ecuația elipsei se simplifică prin eliminarea componentei unghiulare reprezentată de
φ, rezultând un acumulator 4D (Chia et al., 2007). Astfel, ecuația elipsei se definește astfel:
2 2
0 0
2 2
(x x ) (y y )1
a b
− −+ = (2.4)
2.2.5 Algoritm de detecție a direcției privirii bazat pe metoda Starburst
Metoda Starburst de detecție a pupilei este bazată pe combinarea identificării unui model
și a trăsăturilor acestuia, în cazul pupilei fiind vorba de forma eliptică a acesteia. Avantajul
acestei metode constă în raportul optim între timpul de execuție a algoritmului și acuratețea
detecției (Bozomitu et al., 2015). Etapele acestei metode sunt prezentate în Fig. 2.4.
1.Achiziția imaginii folosind camera IR 2.Detecția reflexiei corneene
3.Înlăturarea reflexiei corneene
4.Determinarea punctelor candidat
pornind de la punctele de contur
identificate
5.Metoda RANSAC de analiză a
punctelor candidat
6.Stabilirea conturului pupilei prin
potrivirea modelului elipsei
7.Identificarea distanței minime dintre
modelul determinat și conturul pupilei
Fig. 2.4. Etapele metodei Starburst (Păsărică et al., 2015)
24
2.2.6 Algoritm de detecție a privirii bazat pe metoda celor mai mici pătrate
Metoda celor mai mici pătrate de aproximare a formei elipsei presupune identificarea
unui set de parametri care minimizează distanța dintre punctele de contur identificate și modelul
matematic al unei elipse. Modelul este dat de o funcție conică generală reprezentată de un
polinom de gradul doi (Halır and Flusser, 1998):
2 2( , ) * 0F A x a x ax bxy cy dx ey f= = + + + + + = (2.5)
unde [ , , , , , ]TA a b c d e f= and 2 2x [ , , , , , 1]Tx xy y x y= .
2.2.7 Algoritm de detecție a direcției privirii bazat pe metoda RANSAC
Metoda RANSAC (RANdom SAmple Consensus) aproximează conturul elipsei prin
identificarea unui set aleator de puncte din contur. Astfel, prin utilizarea unui număr mai mic de
puncte decât toate punctele care rezultă în urma etapei de binarizare se poate evita situația în care
există puncte artefact (outliers) în imediata apropiere a pupilei (Wenchao Cai et al., 2004).
Aproximarea formei elipsei pe baza punctelor de intrare (obținute după pasii ilustrați mai
sus și detectarea conturului pupilei) este realizată prin algoritmul RANSAC într-un spațiu
normalizat (Raguram et al., 2008).
2.2.8 Algoritm de detecție a direcției privirii bazat pe metoda proiecțiilor
Metoda proiecțiilor constă în calculul sumelor intensităților pe scala valorilor de gri
pentru rândurile și coloanele unei imagini analizate. Dacă considerăm sistemul de coordonate
OX și OY și definim punctele din imagine ca P(xi, yj), unde i=1,...,640 și j=1,...,480, fiecare
prezentând o intensitate I(xi, yj), putem să calculăm funcțiile de proiecție verticală și orizontală
(Feng and Yuen, 1998):
640
1
( ) ( , )i
i
FPV y I x y=
=
(2.6)
480
1
( ) ( , )j
j
FPO x I x y=
=
(2.7)
Deoarece există posibilitatea ca în urma etapei de binarizare să rezulte artefacte cauzate
de alte elemente din imagine, introducând o eroare de determinare a centrului pupilei, este
necesar să se folosească două valori de prag ale funcțiilor de proiecție. Valorile de prag sunt
determinate astfel:
25
640
1
1( )
640OX i
i
T FPO x=
= (2.8)
480
1
1( )
480OY i
i
T FPV y=
= (2.9)
unde TOX reprezintă valoarea de prag aplicată pentru funcția de proiecție orizontală iar TOY
rerpezintă valoarea de prag pentru funcția de proiecție verticală.
2.2.9 Algoritm de detecție a direcției privirii bazat pe identificarea centroidului
Metoda de identificare a centroidului ariei maxime este direct influențată de etapa de
binarizare prin tehnica segmentării cantitative cu prag adaptiv. De asemenea, este necesar să se
folosească diferite tehnici de reconstrucție a pupilei aplicate imaginii rezultate pentru a elimina
reflexia corneană și toate celelalte artefacte din imaginea binarizată.
2.2.10 Algoritm de detecție a direcției privirii bazat pe metoda ExCUSE
Metoda ExCUSE (Exclusive Curve Selector) se bazează pe histograme orientate pentru a
determina funcția integrală a proiecțiilor unghiulare. Inițial se determină histograma imaginii pe
o scală de valori de gri cuprinsă între 0 și 255 de valori, ulterior identificându-se prezența unui
punct luminos pe imagine prin identificarea unei valori de vârf pe histogramă care depășește
valoarea de prag aleasă experimental (mu1 = 10) (Fuhl et al., 2015). Dacă se îndeplinește această
condiție, metoda necesită etapa de filtrare a punctelor de margine identificate prin metoda Canny
pentru a elimina punctele cu poziționare liniară; dacă nu se îndeplinește condiția, se utilizează o
metodă de binarizare fixă cu valoarea de prag 10 pe scala valorilor de gri.
2.2.11 Analiza comparativă a algoritmilor pentru imagini statice
Pentru a putea stabili performanțele metodelor implementate, am realizat un test de
determinare a erorii de identificare a poziției centrului pupilei. În acest sens am achiziționat un
set de 184 de imagini folosind camera IR în condiții de laborator. Imaginile au fost achiziționate
pentru diferite poziții ale pupilei. Referința de calcul a erorii a fost conturul real și poziția
centrului pupilei determinate manual pentru fiecare imagine în parte. Aceasta reprezintă prima
bază de imagini (DB1), folosită anterior la determinarea metodei optime de binarizare. Similar,
am testat algoritmii de detecție a direcției privirii implementați pe cea de-a doua bază de date,
DB2, baza de imagini disponibilă public Casia-IRIS-Lamp (Casia-IRIS-Lamp, 2010). Această
bază de date este formată din 410 imagini selectate, caracterizate prin condiții diferite de
26
iluminare. A treia bază de date (DB3) testată este de asemenea disponibilă public, baza de date
ExCUSE dataset XII (“ExCUSE dataset XII,” n.d.), care conține 524 de imagini ale ochiului cu o
rezoluție spațială de 384x288 pixeli. Aceste imagini sunt caracterizate de calitatea scăzută a
acestora din cauza prezenței artifactelor cauzate de condiții de iluminare variate, prezența
reflexiei corneene, imagini achiziționate pentru persoane cu ochelari sau cu lentile de contact.
Pentru fiecare dintre cei opt algoritmi implementați și prezentați anterior am determinat eroarea
relativă de poziționare a centrului pupilei, comparativ cu poziția reală pentru fiecare imagine din
cele două baze de date folosind ecuația (Holmqvist et al., 2015):
(2 ) 100 (%)d R = (2.10)
unde d este distanța euclidiană dintre centrul real și centrul pupilei determinat folosind metodele
implementate iar R este valoarea razei pentru cazul în care pupila este poziționată în centrul
sclerei (forma pupilei este circulară iar raza are valoarea cea mai mare) (Peng Wang et al., 2005).
Distanța euclidiană se determină astfel:
2 2
det det( ) ( )
ideal ideald y yx x= − + − (2.11)
unde xdet și ydet sunt coordonatele centrului pupilei determinat folosind metodele implementate
iar xideal și yideal sunt coordonatele reale ale centrului pupilei determinate manual prin examinarea
imaginilor analizate. Pe baza distanței euclidiene determinate am identificat rata de detecție a
poziției centrului pupilei pentru diferite valori de prag de la 1 la 10 pixeli.
Prin această metodă se poate realiza o clasificare comparativă a algoritmilor implementați
și testați. Rata de detecție pentru fiecare valoare de prag este determinată ca fiind raportul dintre
numărul de imagini care prezintă valoarea distanței euclidiene mai mică sau egală cu valoarea de
prag și numărul total de imagini analizate din baza de date înmulțit cu 100.
De asemenea, am calculat și erorile produse în poziționarea centrului determinat,
comparativ cu centrul ideal stabilit manual în urma analizei fiecărei imagini, pe axele X și Y,
conform formulelor (Păsărică et al., 2015):
det 100ideal
x
ideal
x x
x
−= (2.12)
det 100ideal
y
ideal
y y
y
−= (2.13)
27
unde xdet și ydet, respectiv xideal și yideal au aceași semnificație ca în ecuația (2.11), iar x și y
sunt erorile relative ale poziționării centrului determinat al pupilei comparativ cu centrul ideal pe
axele X și Y.
Comparația dintre algoritmii implementați din punctul de vedere al ratei de detecție în
raport cu valoarea de prag de la 1 la 10 pentru distanța euclidiană este prezentată în Fig. 2.5.
Tabelele 2.2 și 2.3 arată situația globală a parametrilor determinați pentru cei opt algoritmi
implementați: valoarea medie și deviația standard a erorii relative de poziționare a centrului
pupilei comparativ cu centrul ideal, valorile medii și deviațiile standard pentru erorile relative de
poziționare pe cele două axe de coordonate și ratele de detecție comparativ cu valoarea de prag a
distanței euclidiene pentru 5 și 10 pixeli.
a) b)
c)
Fig. 2.5. Comparația între ratele de detecție pentru valori de prag de la 1 la 10 pentru a) DB1, b) DB2 și c)
DB3
Rezultatele prezentate în Tabelele 2.2 și 2.3 indică pentru bazele de date DB1 și DB2 că
rata de detecție pentru o valoare de prag de peste 5 pixeli este peste 86% pentru șase din cei opt
algoritmi implementați, cu excepția metodei Starburst. Acest aspect poate fi observat și în Fig.
2.14 care arată, de asemenea, și faptul că peste valoarea de prag de 10 pixeli nu se mai poate
observa o îmbunătățire a ratei de detecție a centrului pupilei. Indicatorii statistici obținuți arată că
1 2 3 4 5 6 7 8 9 100
10
20
30
40
50
60
70
80
90
100
110
Distanta euclidiana (pixeli)
Ra
ta d
e d
ete
ctie
(%
)
Grafic comparativ al ratei de detectie DB1
CHT
EHT
Starburst
Cele mai mici patrate
RANSAC
Metoda proiectiilor
Centroid
ExCUSE
1 2 3 4 5 6 7 8 9 100
10
20
30
40
50
60
70
80
90
100
110
Distanta euclidiana (pixeli)
Ra
ta d
e d
ete
ctie
(%
)
Grafic comparativ al ratei de detectie DB2
CHT
EHT
Starburst
Cele mai mici patrate
RANSAC
Metoda proiectiilor
Centroid
ExCUSE
1 2 3 4 5 6 7 8 9 100
10
20
30
40
50
60
70
80
90
100
110
Distanta euclidiana (pixeli)
Ra
ta d
e d
ete
ctie
(%
)
Grafic comparativ al ratei de detectie DB3
CHT
EHT
Starburst
Cele mai mici patrate
RANSAC
Metoda proiectiilor
Centroid
ExCUSE
28
algoritmii implementați pot fi utilizați în aplicații în timp real care se bazează pe detecția
direcției privirii.
Tabel 2.2 – Rezultatele experimentale obținute în urma analizei comparative a algoritmilor de
detecție a direcției privirii pe imagini statice (DB1) Algoritm
med
(%)
Deviație
standard xmed
(%)
Deviație
standard ymed
(%)
Deviație
standard
Rată
detecție
pentru 5
pixeli (%)
Rată detecție
pentru 10
pixeli (%)
Transformata
Hough circulară 4,968 4,316 0,396 0,315 1,342 1,947 87,5 95,1
Transformata
Hough pentru
elipsă
3,231 1,759 0,37 0,271 0,666 0,718 99,45 100
Metoda Starburst 7,734 7,116 0,739 0,971 1,918 1,75 72,82 94,02
Metoda celor mai
mici pătrate 3,679 3,272 0,45 0,378 0,713 0,79 96,73 97,28
Metoda
RANSAC 3,744 3,622 0,495 0,575 1,016 1,005 89,67 97,28
Metoda
proiecțiilor 4,021 3,111 0,435 0,303 0,949 1,245 94,02 98,36
Metoda
centroidului 3,372 2,902 0,392 0,304 0,723 0,831 96,73 98,36
Metoda ExCUSE 5,78 7,77 2,21 9,13 2,27 8,49 71,25 83
Tabel 2.3 – Rezultatele experimentale obținute în urma analizei comparative a algoritmilor de
detecție a direcției privirii pe imagini statice (DB2) Algoritm
med
(%)
Deviație
standard xmed
(%)
Deviație
standard ymed
(%)
Deviație
standard
Rată
detecție
pentru 5
pixeli (%)
Rată detecție
pentru 10
pixeli (%)
Transformata
Hough circulară 2,961 2,152 0,62 0,414 0,795 0,977 86,21 97,24
Transformata
Hough pentru
elipsă
2,933 2,608 0,616 0,395 0,764 1,188 87,96 97,74
Metoda Starburst 5,393 5,642 1,011 1,093 1,649 2,32 61,9 85,71
Metoda celor mai
mici pătrate 2,925 2,037 0,674 0,474 0,721 0,808 87,21 98,49
Metoda
RANSAC 2,649 1,928 0,584 0,448 0,777 0,836 86,46 98,74
Metoda
proiecțiilor 3,2 3,216 0,64 0,559 0,934 1,3 85,71 94,98
Metoda
centroidului 2,719 2,041 0,621 0,451 0,68 0,813 90,22 98,49
Metoda ExCUSE 7,19 13,44 16,49 25,6 11,02 14,10 70,68 85,21
Tabelul 2.4 prezintă rezultatele obținute pentru baza de date DB3. Pentru acest set de
imagini se pot observa valori scăzute ale ratei de detecție pentru 5 pixeli precum și valori ale
erorii medii obținute pentru toate metodele analizate din cauza nivelului scăzut de calitate al
imaginiilor care prezintă artefacte de imagine reprezentate de gene/sprâncene precum și artefacte
de tip zone luminoase/întunecate cauzate de condițiile de iluminare.
29
Tabel 2.4 – Rezultatele experimentale obținute în urma analizei comparative a algoritmilor de
detecție a direcției privirii pe imagini statice (DB3) Algoritm
med
(%)
Deviație
standard xmed
(%)
Deviație
standard ymed
(%)
Deviație
standard
Rată
detecție
pentru 5
pixeli (%)
Rată detecție
pentru 10
pixeli (%)
Transformata
Hough circulară 8,88 19,68 2,86 8,16 4,47 9,79 36,64 84,72
Transformata
Hough pentru
elipsă
9,75 25,23 2,91 11,24 5,41 11,55 61,25 77,86
Metoda Starburst 21,28 11,55 8,66 11,81 12,57 11,25 9,73 20,80
Metoda celor mai
mici pătrate 4,48 9,53 10,22 16,90 15,94 11,24 14,12 39,12
Metoda
RANSAC 31,24 73,14 13,30 32,60 12,35 28,11 69,46 81,29
Metoda
proiecțiilor 46,21 81,14 20,78 37,56 16,40 31,94 13,93 35,87
Metoda
centroidului 39,85 79,33 17,99 36,69 14,21 30,67 33,58 58,96
Metoda ExCUSE 5,21 10,14 5,34 31,13 9,34 75,63 77,48 87,60
2.2.12 Analiza comparativă a algoritmilor de detecție a direcției privirii în timp real
Pentru implementarea în timp real a algoritmului de detecție a pupilei este necesară o
etapă de transformare a coordonatelor centrului pupilei determinat folosind metodele prezentate
anterior (transformata Hough sau metoda Starburst) în coordonate specifice ecranului
utilizatorului. În acest sens am folosit un sistem de nouă puncte țintă situate pe ecran pe care
utilizatorul sistemului trebuie să le urmărească cu privirea în etapa de calibrare a sistemului
(Păsărică et al., 2015). Aceste puncte și direcția în care trebuie urmărite punctele (traseul este
redat prin mișcarea automată a cursorului printr-un program implementat în Matlab) sunt
prezentate în Fig. 2.6. Punctele sunt notate Mi (i= 1:9).
Fig. 2.6. Transformarea coordonatelor camerei în coordonate ecran. Cele nouă puncte țintă și traseul
urmărit în timpul etapei de calibrare când privirea utilizatorului urmărește traseul indicat. Pentru fiecare
punct se determină o valoarea a coordonatelor ecran. Trasformarea se realizează folosind funcția de mapare
implementată în Matlab.
Camera IR
C1
C2 C6 C7
C4 C5
C8 C3 C9
M1
M2
M3
M6
M4
M8
M7
M5
M9
(0, 0)
1 2 3
4 5 6
7 8 9
Ecran utilizator
30
Procedura de testare
Sistemului de asistare a comunicării între personalul medical și persoanele cu dizabilități
neurolocomotorii bazat pe fiecare din cei 8 algoritmi implementați a fost testat în condiții de
laborator pe un set de 30 de subiecți cu vârstele cuprinse între 20 și 30 de ani (un total de 210
înregistrări, care însumează 340800 imagini ale ochiului). Utilizatorii necesită o perioadă de
acomodare pentru a putea folosi sistemul cu un grad de precizie și stabilitate ridicat, aceasta fiind
curba de învățare a utilizării unui sistem de detecție a direcției privirii. Această curbă de învățare
este diferită pentru fiecare utilizator, fiind necesare între 3 și 5 încercări pentru prima utilizare a
sistemului, respectiv primul algoritm testat, ulterior fiind necesar doar 1-2 încercări pentru
ceilalți algoritmi. Ecranul utilizatorului a fost divizat în 9 zone, care ar putea corespunde unor
ideograme de selecție în cazul unei comunicări bidirecționale. Pentru fiecare subiect este
necesară etapa de calibrare din cauza diferențelor fiziologice între subiecți în ceea ce privește
gradul de mobilitate al ochiului pe cele două axe.
Testul pentru 9 zone a fost realizat folosind toți cei opt algoritmi implementați și necesită
ca subiectul să urmărească traseul descris în Fig. 2.92: 1-2-3-4-5-6-7-8-9, în timp ce menține
poziția cât mai stabilă a cursorului în centrul fiecărei zone timp de zece secunde (Fig. 2.7).
Traseul înregistrat este utilizat pentru a determina o serie de parametri care oferă informații în
ceea ce privește precizia algoritmului, stabilitatea cursorului pe ecran și timpul de procesare al
algoritmului. Punctele care corespund fiecărui cadran sunt determinate pe baza unor adnotări ale
traseului. În acest fel se elimină din înregistrare punctele corespunzătoare tranziției dintre
cadrane. Adnotările au fost realizate manual prin inspecția vizuală a traseului înregistrat.
Parametri determinați sunt distanța euclidiană față de centrul ideal al cadranului, pe baza căreia
se determină precizia poziționării cursorului în centrul cadranului, distanța euclidiană față de
valoarea medie a tuturor punctelor determinate din cadran, pe baza căreia se determină gradul de
stabilitate al cursorului și timpul de procesare mediu specific algoritmului (Pasarica et al.,
2017a).
Înregistrările au fost realizate în condiții diferite de iluminare, atât artificială cât și
naturală, și diferite momente ale zilei, deoarece s-a dorit un sistem care să funcționeze indiferent
de variația acestor condiții.
31
Fig. 2.7. Dispunerea zonelor pe ecranul utilizatorului și traseul urmărit în timpul testelor
Traseul mișcării cursorului dat de coordonatele pe X și Y pentru ambele metode arată că
sistemul bazat pe metode care estimează forma pupilei cu o elipsă și au un grad ridicat de
variabilitate inter-cadru (metoda Starburst, metoda RANSAC, metoda transformatei Hough
pentru elipsă) au o precizie mai mare a detecției centrului pupilei și a conturului acesteia, fapt
care reiese din rezultatele obținute din analiza imaginilor statice, dar au o variație mai mare a
valorilor coordonatelor centrului pupilei pe axa OY din cauza modificării poziției centrului
pupilei în fiecare imagine achiziționată. Similar, un grad ridicat de variabilitate pe axa OY
regăsim și pentru metoda centroidului ariei maxime, deoarece în acest caz forma care rezultă în
urma etapei de binarizare este variabilă de la cadru la cadru.
Pentru lotul de subiecți analizați am obținut valoarea medie a deviației standard a
derivatei valorilor coordonatelor centrului pupilei pe axa Y pentru metoda transformatei Hough
sdmed=53 iar pentru metoda Starburst sdmed=148, care demonstrează un grad mai ridicat de
variabilitate a valorilor coordonatelor centrului pupilei pentru analiza folosind metoda Starburst.
Compararea algoritmilor în timp real se realizează prin determinarea preciziei
poziționării cursorului în centrul cadranului, conform cerințelor impuse utilizatorilor în etapa de
pregătire a testului. Pentru a facilita acest test, pe ecranul utilizatorului a fost prezentată o
imagine care prezintă în jurul centrului fiecărui cadran un cerc cu raza de 50 de pixeli. Această
valoare este determinată prin aplicarea funcției de mapare când se dorește obținerea unei rate de
detecție similare cu cea obținută pentru testele pe imagini statice la 5 pixeli. De asemenea, pe
baza acestei valori am determinat pentru fiecare înregistrare valoarea preciziei poziționării
cursorului în centrul cadranului și valoarea gradului de stabilitate al cursorului față de media
punctelor. Ambii parametri au fost detemerminați folosind valoarea de prag de 50 de pixeli.
Precizia poziționării cursorului față de centru (P%) presupune identificarea punctelor pentru care
32
distanța euclidiană față de centru este mai mică de valoarea de prag de 50 de pixeli, acestea fiind
puncte care aparțin zonei centrului cadranului denumite puncte centrale (PC).
% 100PC
PPT
= (2.14)
unde PT reprezintă numărul total de puncte din cadran.
Gradul de stabilitate al cursorului față de media punctelor (S%) presupune identificarea
punctelor pentru care distanța euclidiană față de media punctelor din cadran este mai mică de 50
de pixeli, acestea fiind puncte care aparțin grupului principal și poartă denumirea de puncte
grupate (PG).
% 100PT PG
SPT
−= (2.15)
unde PT reprezină numărul total de puncte din cadran.
Valoarea medie a parametrilor de precizie a poziționării cusorului în centrul cadranului
(P%) și cea a gradului de stabilitate a cursorului dată de media punctelor din cadran (S%) este
prezentată în Tabelul 2.5. Am prezentat în acest tabel și valorile medii obținute pentru distanța
euclidiană față de centru cadranului (DECC), respectiv față de media punctelor (DEMP), pentru
fiecare algoritm analizat. De asemenea am calculat și deviația standard a acestor valori, care
oferă informații în ceea ce privește dispersia valorilor distanței euclidiene față de valoarea medie.
Conform rezultatelor prezentate în Tabelul 2.5 putem observa că algoritmii implementați
pot fi clasificați în trei nivele de performanță în funție de precizia poziționării cursorului față de
centrul cadranului și stabilitatea cursorului.
Primul nivel (culoarea albastră în Tabelul 2.5) corespunde algoritmilor bazați pe
transformata Hough circulară și metoda centroidului și sunt caracterizați de o precizie a
poziționării cursorului de peste 90% și o stabilitate bună față de media punctelor din cadran, sub
5%.
Al doilea nivel (culoarea verde în Tabelul 2.5) se referă la algoritmi cu o precizie a
poziționării cursorului în jurul valorii de 85% și o stabilitate apropiată sau peste 5%. Algoritmii
care corespund acestui nivel sunt metoda celor mai mici pătrate, metoda RANSAC și metoda
proiecțiilor.
Al treilea nivel (culoarea roșie în Tabelul 2.5) este reprezentat de algoritmul Starburst și
prezintă performanțele cele mai scăzute din punctul de vedere al preciziei poziționării cursorului
și al stabilității acestuia, 66,86%, respectiv 13,02%.
33
Tabel 2.5 – Rezultatele analizei înregistrărilor pentru detecția direcției privirii în timp real
Algoritm Val medie
DECC (pixeli)
Deviație
standard
DECC
Val medie
DEMP (pixeli)
Deviație
standard
DEMP
P% S%
Transformata Hough
circulară 25,87 18,65 17,60 14,28 91,39 4,12
Transformata Hough
pentru elipsă 27,67 21,35 18,88 14,99 88,86 5,12
Metoda Starburst 44,76 28,90 31,05 25,37 66,86 13,02
Metoda celor mai mici
pătrate 30,34 19,98 19,85 16,81 87,10 4,92
Metoda RANSAC 33,31 21,52 23,52 19,83 84,46 7,02
Metoda proiecțiilor 30,13 20,70 20,94 16,32 86,95 5,95
Metoda centroidului 29,90 19,37 20,34 17,99 90,28 4,66
Metoda ExCUSE 33,72 48,72 25,29 42,95 85,32 8,02
Am determinat de asemenea și precizia poziționării cursorului față de centrul cadranului
pentru fiecare din cele nouă cadrane. Aceste rezultate sunt prezentate în Tabelul 2.6 și pun în
evidență faptul că algoritmii menționați anterior care estimează forma pupilei cu o elipsă și au un
caracter aleator (metoda Starburst, metoda RANSAC), au o precizie a poziționării cursorului mai
scăzută în cadranele situate în marginea ecranului (cadranele 1,6 și 7 situate în partea stângă a
ecranului și cadranele 3,4 și 9 situate în partea dreaptă a ecranului). În aceste cadrane forma
pupilei este eliptică din cauza unghiului sub care este realizată captarea imaginilor.
Similar, metoda proiecțiilor care depinde de un prag de detecție variabil, metoda
centroidului care se bazează pe forme aleatoare ale ariei maxime de la cadru la cadru și
transformata Hough pentru elipsă care determină forma pupilei prin determinarea a doi parametri
variabili (semiaxele elipsei) sunt metode care prezintă o precizie a poziționării cursorului în
cadranele de margine mai scăzută. Acest fenomen se poate observa și pentru transformata Hough
circulară și pentru metoda celor mai mici pătrate, dar pentru acești algoritmi valorile nu sunt sub
85%, respectiv 80%.
Tabel 2.6 – Valoarea medie a preciziei poziționării cursorului față de centru pentru
fiecare cadran
Algoritm P%
C1
P%
C2
P%
C3
P%
C4
P%
C5
P%
C6
P%
C7
P%
C8
P%
C9
Transformata Hough circulară 90,37 93,27 87,65 92,88 93,22 85,74 92,88 94,96 91,48
Transformata Hough pentru elipsă 93,29 96,31 81,19 87,51 87,89 78,72 93,20 89,13 91,84
Metoda Starburst 77,55 82,87 70,79 59,19 64,82 62,75 66,53 54,39 54,19
Metoda celor mai mici pătrate 81,16 96,22 93,61 89,91 90,93 82,00 83,00 84,11 83,80
Metoda RANSAC 78,48 95,15 87,05 87,96 86,31 82,83 81,09 81,79 80,49
Metoda proiecțiilor 86,75 96,03 90,07 95,22 86,87 73,97 85,71 82,74 84,21
Metoda centroidului 82,54 94,82 89,95 96,37 92,06 83,52 88,76 91,16 93,93
Metoda ExCUSE 87,71 91,12 92,67 92,83 92,64 89,47 73,79 67,59 75,11
34
Tabelul 2.7 prezintă valoarea timpului de procesare pentru fiecare imagine folosind
fiecare dintre cei opt algoritmi de detecție a direcției privirii.
Tabel 2.7 – Timpii de procesare ai algoritmilor
Algoritm Timp de procesare (s)
Transformata Hough circulară 0,0541
Transformata Hough pentru elipsă 0,0904
Metoda Starburst 0,0189
Metoda celor mai mici pătrate 0,0121
Metoda RANSAC 0,0193
Metoda proiecțiilor 0,0124
Metoda centroidului 0,011
Metoda ExCUSE 0,094
Analiza comparativă a celor opt algoritmi implementați este sintetizată în Tabelul 2.8
fiind reprezentată de un sistem de punctaj având în vedere trei indicatori de performanță: precizia
algoritmului de determinare a centrului pupilei, controlabilitatea cursorului pe ecran și timpul de
procesare al algoritmului.
Valorile de precizie ale algoritmilor sunt clasificate în funcție de rezultatele date de ratele
de detecție ale algoritmilor prezentate în Tabelul 2.5. Algoritmii care prezintă o rată de detecție
de peste 90% sunt notați cu un punct, algoritmii cu rata de detecție între 80% și 90% sunt notați
cu 0,5 puncte iar cei sub 80% au punctajul 0.
Gradul de controlabilitate al cursorului este cuantificat pe baza distanței euclidiene față
de media punctelor (DEMP) și de stabilitatea cursorului (S%). Algoritmii cu un grad de
controlabilitate ridicat prezintă DEMP mai mică de 20 de pixeli și S% mai mică de 5% și sunt
punctați cu 1 punct. Gradul de contrabilitate moderat este dat de DEMP cuprinsă între 20 și 25
de pixeli și S% cuprinsă între 5% și 10% și este punctat cu 0,5 puncte. Gradul de contrabilitate
scăzut prezintă DEMP mai mare de 25 de pixeli și S% mai mare de 10% iar punctajul acordat
este de 0 puncte.
Tabel 2.8 – Comparația algoritmilor pe baza unui sistem de punctare
Algoritm Punctaj
precizie
Punctaj
control.
Punctaj
timp
Punctaj
Total
Nivel
Transformata Hough circulară 1 1 0 2 1
Transformata Hough pentru elipsă 0,5 0,5 0 1 2
Metoda Starburst 0 0 0,5 0,5 3
Metoda celor mai mici pătrate 0,5 1 1 2,5 1
Metoda RANSAC 0,5 0,5 0,5 1,5 2
Metoda proiecțiilor 0,5 0,5 1 2 1
Metoda centroidului 1 1 1 3 1
Metoda ExCUSE 0,5 1 0 1,5 2
35
Similar primilor doi indicatori, algoritmii au fost punctați și din punctul de vedere al
timpului de procesare. Pentru un timp de procesare de peste 0,05 s punctajul acordat este 0 punct,
pentru intervalul 0,015 și 0,05 s punctajul este de 0,5 puncte iar pentru timpul de procesare sub
0,015 s este de 1 punct. Pe baza punctajului total obținut de fiecare algoritm în parte, aceștia sunt
divizați în trei nivele de performanță:primul nivel este reprezentat de algoritmi cu un punctaj
total peste 2,5 puncte, al doilea nivel cu punctajul cuprins între 1 și 2 puncte și al treilea nivel cu
punctajul sub 1 punct.
2.2.13 Testarea sistemului implementat în spital
Testarea sistemului de detecție a direcției privirii a fost realizată în cadrul proiectului
SIACT. Obiectivul proiectului SIACT constă în realizarea unui sistem complex de comunicare şi
telemonitorizare a parametrilor fiziologici vitali pentru pacienţi cu handicap neurolocomotor
sever, mai exact pentru cei cu diverse stadii de paralizie, care nu pot comunica cu alte persoane
prin metodele clasice (vorbit, scris, semne) (Lupu et al., 2015). Aceşti pacienţi sunt greu de găsit,
ei fiind îngrijiţi de obicei în ambulatoriu. Cu toate acestea, am identificat astfel de pacienţi
internaţi în cadrul Spitalului Clinic „Dr. C.I. Parhon” din Iași în cadrul Clinicii Geriatrie –
Gerontologie.
Rezultatele obținute se referă la ambele funcții, atât cele de comunicare prin detecția
privirii sau prin comutator precum și funcția de monitorizare a parametrilor vitali. Analiza
prezentată în acest subcapitol are în vedere doar rezultatele obținute din chestionarele completate
referitoare la funcția de comunicare prin detecția privirii. În total, un număr de 27 de pacienți au
participat la testarea sistemului de comunicare prin direcția privirii. Vârsta medie a
participanților este 72 de ani, cu intervalul cuprins între 55 și 89 de ani (Bozomitu et al., 2019).
Informarea pacienţilor cu privire la procedura de lucru şi obţinerea consimţământului
pacientului sau a tutorelui legal cuprinde:
a) informare privind identitatea echipei care conduce şi execută testarea;
b) scopul în care se face testarea – îmbunătăţirea comunicării pacienţilor cu lumea
înconjurătoare şi telemonitorizarea parametrilor fiziologici;
c) descrierea procedurii de lucru în termeni cât mai simpli şi pe înţelesul tuturor;
d) informaţii tehnice, precum: electrosecuritate, natura şi provenineţa senzorilor, etc.
Fişa de consimţământ – acest document este prezentat pacientului înainte de testare,
acesta fiind rugat să citească şi să-şi dea consimţământul informat asupra intervenţiilor care se
vor desfăşura în cursul testării. Pacientul trebuie să îşi dea acordul asupra efectuării intervenţiilor
36
necesare testării sistemului. Testarea sistemului s-a efectuat numai după semnarea fişei de
consimţământ de către pacient sau a tutorelui legal.
Testarea sistemului de detecție a direcției privirii
Funcţia de comunicare a fost testată prin intermediul modulelor de depistare a voinţei
pacientului prin tehnica detecţiei direcţiei privirii.
Scop: testarea sistemul cu pacienţii cu afecţiuni neuromotorii severe (tetraplegii,
miopatii, etc.) care nu pot efectua nicio contracţie musculară controlată, în afară de deplasarea
globilor oculari şi a clipirii.
Metodologie: se utilizează modulul de detecție a direcției privirii al sistemului pentru
comunicare. Comunicarea se face bidirecţional cu îngrijitorul/personalul medical/familia pe baza
tehnologiei „keywords”, dar utilizând tehnica detecţiei direcţiei privirii pacientului. Pentru
pacienţii mai performanţi şi cooperanţi se testează şi funcţia de navigare pe Internet şi a utilizării
e-mail-ului personal (Bozomitu et al., 2017). În funcţie de starea pacientului, gradul său de
cooperare, precum şi de experienţa acestuia în utilizarea sistemului se utilizează două tipuri de
module pentru detecţia direcţiei privirii: 1) modulul de detecţie a privirii cu montare pe cap
(compus dintr-o cameră video în infraroşu montată pe o ramă de ochelari); 2) modulul de
detecţie a privirii de tip „remote” (montat pe laptop-ul pacientului). Procedura de lucru este
descrisă în cele ce urmează.
Pacienţi: pacienţi cu discernământ ce au paralizaţi toţi muşchii voluntari din corp, cu
excepţia muşchilor motori ai globului ocular. Necesită un timp mai mare de învăţare.
Procedura de lucru
Testarea s-a realizat la temperatura de confort (20 grade C), evitându-se temperaturile
scăzute/ridicate ce pot influența calitatea măsurătorilor parametrilor fiziologici.
1. Pacienţii se poziţionează în decubit dorsal, în stare de relaxare fizică şi psihică;
2. Se ataşează modulele pentru detecţia direcţiei privirii pacientului; se reglează
focalizarea camerei video în infraroşu);
3. Se conectează modulul pentru detecţia privirii la calculatorul pacientului folosind
cablurile specifice;
4. Se realizează configurarea aplicaţiei software;
5. Se realizează calibrarea sistemului de detecție a privirii pentru fiecare pacient;
6. Se pornește interfața pentru pacient.
Timpul de testare
Timpul de desfăşurare a testării este compus din:
1. Timpul de învăţare a pacientului privind utilizarea sistemului – în funcţie de pacient
această etapă poate varia între 15 şi 30 minute;
2. Timpul de testare propriu-zisă – 15 minute.
37
Indiferent de etapa în care se află procedura de testare, aceasta va fi întreruptă imediat,
dacă pacientul, personalul medical sau tutorele legal solicită acest lucru.
În timpul desfăşurării testelor s-a respectat confidențialitatea identităţii pacientului prin
anonimizarea datelor cu caracter personal.
Vârsta medie a pacienților inclusă în acest studiu a fost de 72,27 ani cu o deviație
standard de 8,23 ani; vârsta minimă fiind 55 de ani, iar vârsta maximă fiind 89 de ani. Proporția
pacienților de sex feminin a fost 76,9%. Patologiile asociate frecvent au fost bolile
osteoarticulare degenerative (73,1%) și boli cardiovasculare (34,6%). Unii pacienți au prezentat
mai mult de o condiție medicală care duce la dizabilități. Toți pacienții au putut completa un
chestionar cu privire la utilizarea sistemului.
Criteriile de includere au fost următoarele: (1) adulți internați în Clinica de Geriatrie –
Gerontologie; (2) prezența comorbidităților documentate care duc la dizabilitate, cum ar fi
tulburările neurodegenerative, boli cronice severe care sunt asociate cu un grad ridicat de
handicap (insuficiență cardiacă, boli pulmonare cronice, accident vascular cerebral anterior, sau
alte boli neurologice asociate cu handicap, amputări etc.); (3) capacitatea de a răspunde la
întrebări privind utilizarea sistemului; (4) o atitudine de cooperare și capacitatea de a folosi
sistemul.
Criteriile de excludere au fost următoarele: (1) refuzul de a semna formularul de
consimțământ informat; (2) prezența unei tulburări vizuale semnificative; (3) prezența capacității
cognitive limitate; (4) prezența unor afecțiuni medicale majore care determină o stare instabilă a
pacientului; (5) utilizarea de medicamente care ar putea interfera cu capacitatea pacientului de a
testa sistemul.
Pentru aprecierea funcţionalităţii sistemului de detecție a privirii, chestionarul prezentat
în Anexa 1 a fost completat de pacienţii care au testat sistemul în Spitalul Clinic „Dr. C. I.
Parhon” din Iaşi, Clinica de Geriatrie – Gerontologie. Imagini din timpul testelor sunt prezentate
în Fig. 2.9-2.12.
Răspunsul a fost apreciat pe o scară de valori cuprinsă între 0 şi 5, bifându-se în tabelul
de răspuns valoarea care corespunde cel mai bine aprecierii pacientului.
Fig. 2.8 se prezintă rezultatele chestionarului prezentat în Anexa 1 pentru aprecierea
SIACT de către pacienţii care au efectuat testarea sistemului în spitalul Clinic „Dr. C. I. Parhon”
din Iaşi (Bozomitu et al., 2019).
Pentru a evalua sistemului propus, pacienții care au participat la testare au răspuns la un
chestionar care s-a axat pe identificarea subiectivă a următoarelor caracteristici: necesitatea,
38
utilitatea, modurile de operare, flexibilitatea, și adaptabilitate la nevoile pacientului. Întrebările la
care pacienții au trebuit să răspundă sunt concentrate asupra celor două funcții ale sistemului
testat: funcția de comunicare dintre pacient și personalul medical care se realizează pe baza unei
interfețe web prin utilizarea unui dispozitiv mecanic sau prin utilizarea sistemului de detecție a
direcției privirii și funcția de telemonitorizare a parametrilor funcționali vitali. Rezultatele
prezentate în cadrul acestei secțiuni sunt rezultatul evaluării funcției de comunicare pe baza unei
interfețe web prin utilizarea sistemului de detecție a direcției privirii, deoarece această funcție
este analizată și în cadrul testelor de laborator prezentate anterior în amănunt.
Fig. 2.8. Valoarea medie a aprecierilor pacienţilor care au testat sistemul SIACT în cadrul Spitalului Clinic
„Dr. C. I. Parhon” din Iaşi
Fig. 2.9. Etapa de instruire a pacienților în
utilizarea sistemului
Fig. 2.10. Modul de poziționare a dispozitivului
de achiziție de imagini IR
Fig. 2.11. Testarea sistemului de comunicare
prin detecția privirii cu dispozitiv purtat de
pacient
Fig. 2.12. Testarea sistemului de comuniare prin
detecția privirii cu dispozitiv la distanță
0.00
2.00
4.00
6.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Media
39
Pentru întrebările 1-13, răspunsul pacienților a fost marcat pe o scară între 0 (nu sunt de
acord) și 5 (complet de acord). Răspunsurile la întrebările 14 și 15 au fost măsurate pe o scară
între 0 (cel mai mare nivelul de oboseală / disconfort) și 5 (fără oboseală / disconfort).
Pentru funcția de comunicare bazată pe interfața web prin sistemul de detecție a direcției
privirii, rata de comunicare depinde de timpul de stagnare în poziție fixă a direcției privirii
necesar pentru selecția ideogramei. Pentru utilizatorii avansați timpul necesar este foarte scurt
(de exemplu, 300 ms), în timp ce utilizatorii începătorii au nevoie de un timp mai mare (de
exemplu, 1000 ms) pentru a gândi, a reacționa și a anula selecția.
În evaluarea performanței sistemului, 10 participanți au acordat scorul maxim (5) și cel
mai mic rezultat a fost de 3,67. Astfel, scorul mediu global a fost de 4,74, cu o deviație standard
de 0,38.
2.3 Concluzii
Capitolul 2 prezintă analiza a opt algoritmi diferiți de detectare a pupilei concepuți pentru
aplicațiile de detecție a direcției privirii din punct de vedere al preciziei, controlabilității și
timpului de procesare al algoritmului. Performanțele acestor algoritmi au fost analizate prin
utilizarea unui nou protocol de testare a imaginilor statice din diferite baze de date și a
aplicațiilor în timp real.
Metodele de detecție a pupilei analizate au fost testate pentru a stabili performanțele
pentru aplicațiile în timp real pe un set de subiecți experimentați în condiții de laborator. Am
obținut 210 înregistrări video (340800 imagini oculare), iar rezultatele obținute au fost prelucrate
statistic.
Rezultatele experimentale, în termeni de precizie, obținute pentru imaginile statice ale
ochilor și timpul de rulare al algoritmului sunt potrivite pentru aplicațiile în timp real. Analiza în
timp real a algoritmilor arată o rată de detecție mai mare de 84% pentru toți algoritmii, cu
excepția metodei Starburst, pentru o rază a zonei țintă de 50 de pixeli pe ecranul utilizatorului.
Cel mai bun rezultat a fost obținut pentru algoritmul CHT cu o rată de detecție de 91,39%.
Comparația dintre algoritmii testați arată trei niveluri diferite de performanță bazate pe
trei indicatori. Nivelurile sunt următoarele: algoritmi de înaltă performanță sau nivelul 1 (metoda
celor mai mici pătrate, metoda centroidului ariei maxime și metoda transformatei Hough
circulare), algoritmi de performanță moderată sau nivel 2 (metoda proiecțiilor, metoda
transformatei Hough pentru elipsă, metoda ExcCUSE și metoda RANSAC) și algoritmi de
performanță redusă sau nivel 3 (metoda Starburst).
40
Conform rezultatelor experimentale, performanțele algoritmilor de detecție a direcției
privirii în timp real depind de precizia metodelor obținută pentru imagini statice, de precizia
etapei de calibrare, de condițiile de iluminare și de experiența utilizatorilor în funcționarea
sistemului. Astfel, în funcție de precizia necesară, acești algoritmi pot fi o soluție pentru
implementarea componentei software a unei interfețe om-calculator pentru aplicații în timp real.
Prin urmare, în funcție de tipul de aplicație, trebuie să se ia în considerare un compromis
între acuratețea, controlabilitatea, timpul de procesare și sensibilitatea algoritmilor la zgomot și
condițiile de iluminare neuniformă în orice sistem care funcționează în timp real.
Prin implementarea filtrării în timp real folosind un filtru de mediere pe 5 eșantioane
anterioare și prin înlăturarea valorilor extreme se poate îmbunătăți stabilitatea cursorului la
deplasarea pe ecranul utilizatorului.
Principalul dezavantaj al sistemului este necesitatea unei puteri de calcul mari a
calculatorului care este inclus în sistemul de asistare a persoanelor cu dizabilități, întrucât timpul
de execuție al algoritmului este influențat de această caracteristică a calculatorului utilizat.
41
Capitolul 3 – Analiza cuplării canalelor electroencefalografice pentru
implementarea tehnologiilor asistive de tip interfață creier-calculator
Activitatea cerebrală este dependentă de funcții integrative de nivel înalt atât senzoriale
cât și cognitive care se regăsesc în diferite arii ale creierului. Analiza semnalelor
electroencefalografice (EEG) se folosește pentru a identifica aceste conexiuni cu scopul de a
dezvolta aplicații care permit înțelegerea mai bună a funcționării creierului uman (Pfurtscheller
et al., 2000). O aplicație dezvoltată în ultimii ani este reprezentată de implementarea unei
modalități de interacționare între om și calculator, denumită interfață creier calculator (brain
computer interface - BCI). Aceste dispozitive sunt dezvoltate pentru a permite comunicare fără a
folosi sistemul nervos periferic care este implicat în conducerea impulsurilor nervoase de la
creier la mușchi și asigurarea unui răspuns de tip feed-back de la receptorii senzoriali din
organele de simț sau senzorii mecanici (Petti et al., 2016).
Complexitatea acestor dispozitive determină un timp de procesare mare al înregistrărilor
achiziționate, fiind necesar să se determine condițiile optime de utilizare în ceea ce privește
numărul de electrozi EEG folosiți și poziționarea acestora pe scalpul subiectului. Pentru aplicații
de interfațare creier-calculator (BCI) numărul de canale EEG analizate este de obicei între 8 și 16
(Pichiorri et al., 2015).
Prima bază de date analizată este EEG Motor Movement/Imagery Dataset disponibilă
public de la portalul Physionet.org, denumită DB1 (Goldberger et al., 2000). Această bază de
date conține peste 1500 de înregistrări EEG achziționate de la 108 subiecți diferiți. Aceste
înregistrări au fost efectuate pe 64 de canale EEG și au o durată de 1-2 minute, cu o frecvență de
eșantionare de 160 Hz. Sistemul utilizat pentru achiziționarea acestor înregistrări este BCI 2000
(Schalk et al., 2004), (BCI2000 Database, 2004).
Baza de date este structurată în 14 sub-înregistrări pentru toți cei 108 subiecți.
Pentru analiza prezentată am selectat înregistrările care corespund mișcării deschiderii și
închiderii pumnului stâng sau drept (3, 7 și 11) și înregistrările pentru imaginarea deschiderii și
închiderii a pumnului stâng și drept (4,8 și 12) reprezentând în total 324 înregistrări ale mișcării
și 323 înregistrări ale imaginării mișcării (numărul mai mic este datorat lipsei unei înregistrări
pentru unul din subiecți).
A doua bază de date analizată, notată DB2, este reprezentată de BCI Competition IV
database dezvoltată de Universitatea Tehnică din Berlin (Berlin BCI Database, 2008), (Blankertz
et al., 2007). Această bază de date conține 10 înregistrări EEG cu 59 de canale achiziționate la o
frecvență de eșantionare de 1000 Hz și o rezoluție de 16 biți. Dispozitivul EEG utilizat pentru
42
achiziția acestor înregistrări este asemănător primei baze de date, BCI2000. Semnalele au fost
filtrate folosind un filtru trece bandă între 0,05 și 200 Hz. Fiecare înregistrare prezintă secvențe
care corespund imaginării mișcării și perioadelor de repaus. Aceste evenimente sunt adnotate
pentru fiecare înregistrare, iar pentru a realiza analiza propusă am divizat înregistrările pe baza
acestor adnotări. Secvențele de semnal sunt reprezentate de perioade de 4 secunde
corespunzătoare activităților de imaginare a mișcării și 4 secunde corespunzătoare perioadelor de
repaus. În total s-au obținut 994 de subînregistrări de durată scurtă pentru mâna stîngă (497
subînregistrări de imaginare a mișcării mâinii stângi și 497 subînregistrări corespunzătoare
perioadelor de repaus) și 998 de înregistrări de scurtă durată pentru mâna dreaptă (499
subînregistrări de imaginare a mișcării mâinii drepte și 499 subînregistrări corespunzătoare
perioadelor de repaus).
3.1 Metoda coerenței parțial direcționate (partial directed coherence - PDC)
Metoda implementată pentru această analiză este coerența parțial direcționată (PDC)
(Niedermeyer and da Silva, 2005), care a fost adaptată pentru această aplicație prin divizarea
intervalului de frecvență EEG cuprins între 0-30 Hz în benzi de frecvență care corespund
diferitelor ritmuri EEG. Prima bandă de frecvență este cuprinsă între 0-8 Hz și este specifică
ritmurilor Delta, Theta și Alpha1. A doua bandă de frecvență este cuprinsă între 8-12 Hz și
corespunde ritmului Alpha2. A treia bandă de frecvență este cuprinsă între 12-18 Hz și
corespunde ritmurilor Beta1 și Beta2. Ultima bandă de frecvență este 18-30 Hz corespunzătoare
ritmului Beta2 (Baccalá and Sameshima, 2001). Acest capitol prezintă comparația dintre canalele
EEG pentru înregistrări de imainare a mișcării și înregistrări ale activității cerebrale în timpul
mișcării. Aceasta are rolul de a determina perechile de canale EEG ce pot fi utilizate pentru
aplicații de interfațare om-calculator.
Metoda PDC este implementată prin definirea unui model autoregresiv multivariat
(MVAR) pentru canalele EEG analizate; pentru această analiză au fost selectate din literatura de
specialitate și studiul experimental 11 canale EEG. Modelul MVAR de ordin p=2 este definit de
relația (Tsoneva et al., 2011):
1 1 1
r
1
( ) ( - ) ( )
A
( ) ( - ) ( )
p
r
N N N
x n x n r w n
x n x n r w n=
= +
(3.1)
unde w(n) este matricea de covarianță, Ar (ecuația 3.2) reprezintă matricea care conține
elementele aij(r) care reprezintă interacțiunea liniară dintre două secvențe consecutive xj(n-r) și
xi(n).
43
11 12 1
1
( ) ( ) ( )
(r)
(r) (r)
N
r ij
N NN
a r a r a r
A a
a a
=
(3.2)
Influența dintre canalele EEG este determinată pe baza indicatorului de corelație
determinat folosind (Baccalá et al., 2007):
( , )( )
( , ) ( , )
ij
ijH
j j
A n fn
a n f a n f = (3.3)
unde πij(n) este parametrul de corelație, H este transpusa hermitică, Aij(n,f) este transformata
Fourier a matricei Ar(n) cu elementele aij(n,f), n numărul de ferestre analizate și f variabila
corespunzătoare benzilor de frecvență prezentate anterior.
Se calculează valorile indicatorului de corelație pentru toate cele 55 de perechi de canale
analizate pentru ambele baze de date. Perechile de canale analizate sunt prezentate în Tabelul
3.1.
Tabel 3.1 – Perechile de canale EEG analizate C3-C4 C4-F2 CP4-Pz FC3-CP4 FC4-Cz
C3-CP3 C4-Fz Cz-C4 FC3-Cz FC4-F1
C3-CP4 C4-Pz Cz-CP3 FC3-FC4 FC4-F2
C3-Cz CP3-CP4 Cz-CP4 FC3-F1 FC4-Fz
C3-F1 CP3-F1 Cz-F1 FC3-F2 FC4-Pz
C3-F2 CP3-F2 Cz-F2 FC3-Fz F1-F2
C3-Fz CP3-Fz Cz-Fz FC3-Pz F1-Fz
C3-Pz CP3-Pz Cz-Pz FC4-C3 F1-Pz
C4-CP3 CP4-F1 FC3-C3 FC4-C4 F2-Fz
C4-CP4 CP4-F2 FC3-C4 FC4-CP3 F2-Pz
C4-F1 CP4-Fz FC3-CP3 FC4-CP4 Fz-Pz
3.2 Rezultate experimentale
Rezultatele analizei folosind metoda PDC determină perechile de canale care oferă cele
mai multe informații pentru a înțelege cuplările în activități de imaginare a mișcărilor și
legăturile dintre diferitele arii ale creierului. Rezultatele prezentate în tabelele 3.2-3.6 reprezintă
valoarea medie a indicatorului PDC și deviația standard obținute pentru perechile de canale C3-
Pz, C4-Pz, F1-F2, FC3-Fz, FC4-Fz și Fz-Pz .
Pentru perechile de canale C3-Pz/C4-Pz și FC3-Fz/FC4-Fz care au electrozii poziționați
bilateral pe cele două emisfere ale creierului (emisfera stângă și emisfera dreaptă) se pot observa
44
valori ridicate ale nivelului de corelație. Electrozii C3 și FC3 sunt localizați pe emisfera stângă în
aria centrală, iar electrozii C4 și FC4 sunt localizați complementar, dar pe emisfera dreaptă.
Acest aspect indică faptul că ambele emisfere sunt implicate în procesul cognitiv al activității de
imaginare a mișcării (Pasarica et al., 2017c).
O diferență care trebuie menționată pentru cele două baze de date analizate constă în
rezultatele pentru înregistrări de imaginare a mișcărilor, prezentate în Tabelul 3.2 pentru DB1 și
în Tabelele 3.4 și 3.5 pentru DB2. Diferența este reprezentată de valorile medii obținute pentru
influența directă comparativ cu influența indirectă. Baza de date DB2 care conține înregistrări de
scurtă durată în timpul activităților de imaginare a mișcărilor prezintă valori similare ale
indicatorului PDC pentru influențele directe și indirecte. Comparativ, baza de date DB1 conține
înregistrări ale activităților de imaginare a mișcărilor și din timpul perioadei de repaus care au o
durată mai mare și prezintă o diferență între valorile obținute pentru influențele directe și
indirecte (Pasarica et al., 2017c).
Tabel 3.2 – Valori medii ale indicatorului PDC pentru înregistrări de imaginare a mișcărilor
(DB1) Canale Banda de frecventa 0-8 Hz Banda de frecventa 8-12 Hz Banda de frecventa 12-18 Hz Banda de frecventa 18-30 Hz
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
C3-Pz 0.236 0.068 0.182 0.074 0.236 0.064 0.182 0.071 0.236 0.061 0.182 0.059 0.263 0.074 0.263 0.058
C4-Pz 0.242 0.063 0.172 0.068 0.242 0.059 0.172 0.062 0.242 0.057 0.172 0.043 0.272 0.041 0.197 0.048
F1-F2 0.241 0.039 0.260 0.047 0.241 0.033 0.265 0.036 0.244 0.024 0.230 0.029 0.259 0.033 0.321 0.028
FC3-
Fz
0.327 0.028 0.137 0.033 0.328 0.022 0.137 0.033 0.309 0.028 0.128 0.041 0.341 0.033 0.141 0.027
FC4-
Fz
0.309 0.047 0.128 0.027 0.310 0.041 0.128 0.022 0.307 0.027 0.132 0.028 0.325 0.027 0.132 0.033
Fz-Pz 0.286 0.025 0.135 0.039 0.306 0.031 0.135 0.040 0.298 0.037 0.137 0.031 0.291 0.034 0.109 0.029
Tabel 3.3 – Valori medii ale indicatorului PDC pentru înregistrări ale mișcării (DB1) Canale Banda de frecventa 0-8 Hz Banda de frecventa 8-12 Hz Banda de frecventa 12-18 Hz Banda de frecventa 18-30 Hz
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
C3-Pz 0.238 0.068 0.178 0.024 0.239 0.034 0.178 0.041 0.245 0.021 0.120 0.029 0.263 0.024 0.198 0.028
C4-Pz 0.237 0.061 0.116 0.061 0.244 0.029 0.172 0.032 0.244 0.037 0.172 0.043 0.272 0.041 0.195 0.033
F1-F2 0.153 0.039 0.189 0.047 0.260 0.033 0.230 0.036 0.260 0.044 0.230 0.040 0.321 0.023 0.281 0.028
FC3-
Fz
0.327 0.018 0.137 0.043 0.328 0.042 0.137 0.023 0.309 0.038 0.128 0.041 0.341 0.033 0.141 0.027
FC4-
Fz
0.331 0.025 0.142 0.037 0.331 0.045 0.142 0.027 0.331 0.027 0.142 0.038 0.345 0.024 0.147 0.023
Fz-Pz 0.301 0.023 0.136 0.031 0.300 0.021 0.136 0.020 0.300 0.030 0.136 0.031 0.315 0.034 0.150 0.031
Tabel 3.4 – Valori medii ale indicatorului PDC pentru înregistrări de imaginare a mișcărilor
mâinii drepte (DB2) Canale Banda de frecventa 0-8 Hz Banda de frecventa 8-12 Hz Banda de frecventa 12-18 Hz Banda de frecventa 18-30 Hz
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
C3-Pz 0.294 0.041 0.311 0.049 0.290 0.045 0.306 0.050 0.289 0.043 0.307 0.050 0.297 0.042 0.333 0.064
C4-Pz 0.298 0.041 0.320 0.048 0.291 0.042 0.314 0.052 0.295 0.040 0.312 0.050 0.294 0.039 0.343 0.065
F1-F2 0.305 0.061 0.311 0.053 0.304 0.056 0.310 0.068 0.304 0.057 0.309 0.071 0.313 0.059 0.323 0.076
FC3- 0.299 0.042 0.303 0.041 0.296 0.041 0.296 0.051 0.296 0.042 0.297 0.051 0.315 0.049 0.300 0.051
45
Fz
FC4-
Fz
0.297 0.045 0.295 0.041 0.289 0.052 0.296 0.047 0.289 0.050 0.294 0.048 0.309 0.056 0.306 0.051
Fz-Pz 0.297 0.043 0.341 0.076 0.288 0.054 0.337 0.071 0.288 0.054 0.336 0.071 0.304 0.057 0.346 0.077
Tabel 3.5 – Valori medii ale indicatorului PDC pentru înregistrări de imaginare a mișcărilor
mâinii stângi (DB2) Canale Banda de frecventa 0-8 Hz Banda de frecventa 8-12 Hz Banda de frecventa 12-18 Hz Banda de frecventa 18-30 Hz
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
C3-Pz 0.292 0.044 0.305 0.053 0.296 0.044 0.308 0.052 0.293 0.046 0.307 0.051 0.296 0.047 0.333 0.065
C4-Pz 0.295 0.045 0.313 0.048 0.295 0.044 0.312 0.048 0.294 0.044 0.314 0.049 0.303 0.044 0.337 0.064
F1-F2 0.300 0.052 0.306 0.060 0.301 0.050 0.308 0.061 0.303 0.049 0.306 0.062 0.312 0.053 0.318 0.069
FC3-
Fz
0.298 0.046 0.294 0.053 0.296 0.044 0.295 0.053 0.296 0.045 0.292 0.054 0.316 0.052 0.301 0.055
FC4-
Fz
0.291 0.066 0.294 0.048 0.289 0.064 0.295 0.049 0.290 0.063 0.295 0.048 0.310 0.064 0.302 0.047
Fz-Pz 0.287 0.063 0.332 0.069 0.285 0.061 0.332 0.069 0.288 0.062 0.333 0.069 0.307 0.063 0.341 0.078
Table 3.6 – Valori ale parametrului PDC pentru perioade de repaus (DB2) Canale Banda de frecventa 0-8 Hz Banda de frecventa 8-12 Hz Banda de frecventa 12-18 Hz Banda de frecventa 18-30 Hz
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
Med
→
Std
→
Med
←
Std
←
C3-Pz 0.160 0.051 0.175 0.051 0.162 0.053 0.162 0.052 0.164 0.053 0.163 0.053 0.169 0.048 0.168 0.052
C4-Pz 0.171 0.052 0.171 0.049 0.172 0.054 0.163 0.053 0.170 0.054 0.162 0.054 0.175 0.051 0.168 0.050
F1-F2 0.177 0.052 0.166 0.049 0.179 0.051 0.173 0.051 0.179 0.051 0.172 0.050 0.183 0.048 0.179 0.049
FC3-
Fz
0.185 0.050 0.165 0.047 0.178 0.051 0.162 0.049 0.179 0.051 0.162 0.051 0.185 0.050 0.175 0.051
FC4-
Fz
0.178 0.046 0.154 0.047 0.183 0.048 0.151 0.049 0.183 0.049 0.152 0.051 0.190 0.047 0.164 0.050
Fz-Pz 0.139 0.050 0.173 0.052 0.139 0.052 0.163 0.054 0.139 0.052 0.164 0.055 0.153 0.051 0.166 0.054
3.3 Concluzii
Comparația dintre cele două baze de date analizate, DB1 și DB2, este necesară pentru a
determina diferențele care rezultă în urma utilizării unor tehnici diferite în achiziția semnalelor
EEG pentru înregistrări de imaginare a mișcărilor. Rezultatele obținute arată că înregistrările care
conțin doar activitatea cerebrală în timpul procesului motor imaginar au un nivel de corelație mai
ridicat, comparativ cu înregistrări care conțin atât perioade de imaginare a mișcărilor cât și
perioade de repaus. Prin divizarea domeniului de frecvență EEG în benzi de frecvență pe baza
ritmurilor EEG se poate observa un nivel mai ridicat al indicatorului PDC pentru componentele
de frecvență ridicată 18-30 Hz din cauza faptului că această bandă de frecvență corespunde
ritmului Beta 2 specific activităților cerebrale de imaginare a mișcărilor sau mișcării propriu-
zise.
Parametrul de corelație obținut prin metoda PDC indică un nivel ridicat de cuplare între
anumite perechi de canale EEG. Analiza prezentată ca o comparație între două baze de date arată
că în timpul activităților de imaginare a mișcărilor sunt active multiple arii ale creierului: aria
frontală responsabilă cu mișcarea, aria central-parietal-occipitală responsabilă cu integrarea
informațiilor senzoriale provenite de la organele de simț și de la receptorii de feedback de la
46
nivelul mușchilor. Atât influența directă cât și cea indirectă și implicit valoarea ridicată a
indicatorului PDC sunt dovada unei bucle constante între ariile creierului și componentele
senzoriale ale corpului uman. Trebuie avut în vedere și faptul că valori ridicate ale parametrului
PDC s-au obținut pentru perechi de canale situate în emisfere diferite ale creierului, de exemplu,
perechile FC3-Pz/FC4-Pz sau C3-Pz/C4-Pz. Acest aspect indică implicarea ambelor emisfere în
activități de imaginare a mișcărilor. Ca referință se folosește semnalul achiziționat în perioadele
de repaus din DB2 care indică un nivel scăzut de corelare între perechile de canale din cauza
unui nivel scăzut de activitate cerebrală.
Implementarea unui sistem de interfațare om-calculator (BCI) care utilizează multiple
canale EEG necesită identificarea și analiza unei configurații optime în ceea ce privește numărul
de electrozi și poziționarea acestora. Analiza PDC este utilizată pentru a identifica acele canale
potrivite pentru o astfel de aplicație, cu scopul de a reduce timpul de calcul al unui sistem BCI și
al algoritmului utilizat.
47
Contribuții personale
Rezultatele implementării aplicațiilor de tehnologie asistivă obținute în lucrare sunt
prezentate în legătură cu literatura de specialitate din domeniu. Astfel, direcțiile de cercetare
abordate necesită stabilirea unui cadru bine definit pentru a putea identifica plus valoarea
adăugata acesteia. Având în vedere structura lucrării pe două direcții de cercetare diferite ale
domeniului de tehnologie asistivă, tehnologii asistive de prevenție a riscului în timpul sarcinii și
tehnologii asistive de tip interfață om-calculator, contribuțiile proprii aduse sunt specifice celor
două domenii.
În domeniul tehnologii asistive de prevenție a riscului în timpul sarcinii am adus
următoarele contribuții personale:
◼ Analiza semnalelor biomedicale materne și fetale achiziționate în timpul travaliului
printr-o metodă hibridă care se bazează pe un arbore decizional. Semnalele analizate sunt
ritmul cardiac matern și cel fetal și contracțiile uterine.
◼ Achiziția unei baze de date cu 112 înregistrări cardiotocografice în timpul celui de-al
treilea trimestru al sarcinii utilizând un dispozitiv non-invaziv portabil în cadrul
Spitalului Clinic de Obstetrică și Ginecologie Cuza Vodă din Iași;
◼ Determinarea riscului de naștere prematură în urma analizei bazei de date menționate
anterior pe baza metodei de coerență parțială direcționată (Partial Directed Coherence -
PDC).
În domeniul tehnologii asistive de tip interfață om-calculator am adus următoarele
contribuții personale:
◼ Implementarea unui sistem de comunicare pentru persoane cu dizabilități bazat pe
detecția direcției privirii;
◼ Achiziția unei baze de imagini statice ale ochiului în condiții de laborator, care urmărește
poziția pupilei în cazul în care direcția privirii este orientată spre exterior, sus/jos sau
stânga/dreapta;
◼ Determinarea metodei optime de binarizare și adaptarea acesteia pentru imaginea
ochiului prin compararea rezultatelor obținute pentru opt metode consacrate;
◼ Achiziția a câte 30 de înregistrări video (30 de subiecți diferiți) pentru fiecare metodă de
detecție a direcției privirii implementată (240 înregistrări în total care reprezintă 370800
imagini ale ochiului); înregistrările prezintă deplasarea cursorului pe ecran folosind un
traseu prestabilit;
48
◼ Optimizarea algoritmilor de detecție a direcției privirii prin metode de pre-procesare a
imaginii (filtrare cu un filtru matriceal 3x3 gaussian, binarizare prin metoda cantitativă
adaptivă, înlăturarea reflexiei corneene și eliminarea artefactelor de imagine prin
determinarea ariei maxime care corespunde pupilei)
◼ Propunerea unui protocol nou de testare în laborator care include atât rezultate pentru
imagini statice cât și pentru funcționarea în timp real;
◼ Analiza comparativă a metodelor de detecție a pupilei;
◼ Testarea funcționalității sistemului într-un mediu real, în cadrul Spitalului Clinic „Dr. C.I.
Parhon” din Iași, Clinica de Geriatrie – Gerontologie;
◼ Analiza prin metoda PDC a înregistrărilor EEG de imaginare a mișcării și a mișcării
propriu-zise cu scopul de a identifica perechile de canale EEG între care există corelări
semnificative pentru determinarea parametrilor constructivi ai unei interfețe om-
calculator pentru cercetări viitoare.
49
Bibliografie
Alfirevic, Z., Devane, D., Gyte, G., others, 2006. Continuous cardiotocography (CTG) as a form of electronic fetal
monitoring (EFM) for fetal assessment during labour. Cochrane Database Syst Rev 3.
Al-Rahayfeh, A., Faezipour, M., 2013. Eye tracking and head movement detection: A state-of-art survey. IEEE
journal of translational engineering in health and medicine 1, 2100212–2100212.
Baccalá, L.A., Sameshima, K., 2001. Partial directed coherence: a new concept in neural structure determination.
Biological cybernetics 84, 463–474.
Baccalá, L.A., Sameshima, K., Takahashi, D., 2007. Generalized partial directed coherence, in: Digital Signal
Processing, 2007 15th International Conference On. IEEE, pp. 163–166.
BCI2000 Database, 2004.
Berlin BCI Database, 2008.
BERNSEN, J., 1986. Dynamic thresholding of grey-level images fcV, in: Proceeding of the 8 International
Conference O11 Pattern Rec—Gn Ition. pp. 125l–1255.
Blankertz, B., Dornhege, G., Krauledat, M., Müller, K.-R., Curio, G., 2007. The non-invasive Berlin brain–
computer interface: fast acquisition of effective performance in untrained subjects. NeuroImage 37, 539–
550.
Bozomitu, R., Păsărică, A., Cehan, V., Rotariu, C., Costin, H., 2017. Methods of control improvement in an eye
tracking based human-computer interface, in: 2017 IEEE 23rd International Symposium for Design and
Technology in Electronic Packaging (SIITME). IEEE, pp. 300–303.
Bozomitu, R.G., Niţă, L., Cehan, V., Alexa, I.D., Ilie, A.C., Păsărică, A., Rotariu, C., 2019. A New Integrated
System for Assistance in Communicating with and Telemonitoring Severely Disabled Patients. Sensors 19,
2026. https://doi.org/10.3390/s19092026
Bozomitu, R.G., Păsărică, A., Cehan, V., Rotariu, C., Barabaşa, C., 2015. Pupil centre coordinates detection using
the circular Hough transform technique, in: Electronics Technology (ISSE), 2015 38th International Spring
Seminar On. IEEE, pp. 462–465.
Bradley, D., Roth, G., 2007. Adaptive thresholding using the integral image. Journal of graphics tools 12, 13–21.
Cahill, A.G., Roehl, K.A., Odibo, A.O., Macones, G.A., 2012. Association and prediction of neonatal acidemia.
American Journal of Obstetrics & Gynecology 207, 206–e1.
Casia-IRIS-Lamp, 2010.
Cherabit, N., Chelali, F.Z., Djeradi, A., 2012. Circular hough transform for iris localization. Science and
Technology 2, 114–121.
Chia, A.Y.S., Leung, M.K.H., Eng, H.-L., Rahardja, S., 2007. Ellipse Detection with Hough Transform in One
Dimensional Parametric Space. IEEE, pp. V-333-V–336. https://doi.org/10.1109/ICIP.2007.4379833
Chudáček, V., Spilka, J., Burša, M., Jankŭ, P., Hruban, L., Huptych, M., Lhotská, L., 2014. Open access intrapartum
CTG database. BMC pregnancy and childbirth 14, 16.
Czarnek, R., 2006. Capacitive uterine contraction sensor. US20060149168A1.
Devane, D., Lalor, J.G., Daly, S., McGuire, W., Smith, V., 2012. Cardiotocography versus intermittent auscultation
of fetal heart on admission to labour ward for assessment of fetal wellbeing. Cochrane Database Syst Rev
2.
Dong, S., Boashash, B., Azemi, G., Lingwood, B.E., Colditz, P.B., 2014. Automated detection of perinatal hypoxia
using time–frequency-based heart rate variability features. Medical & biological engineering & computing
52, 183–191.
ExCUSE dataset XII [WWW Document], n.d. URL http://www.ti.uni-tuebingen.de/Pupil-detection.1827.0.html
(accessed 4.1.19).
Feng, G.C., Yuen, P.C., 1998. Variance projection function and its application to eye detection for human face
recognition. Pattern Recognition Letters 19, 899–906. https://doi.org/10.1016/S0167-8655(98)00065-8
Fuhl, W., Kübler, T., Sippel, K., Rosenstiel, W., Kasneci, E., 2015. Excuse: Robust pupil detection in real-world
scenarios, in: International Conference on Computer Analysis of Images and Patterns. Springer, pp. 39–51.
Fuhl, W., Santini, T.C., Kübler, T., Kasneci, E., 2016a. Else: Ellipse selection for robust pupil detection in real-
world environments, in: Proceedings of the Ninth Biennial ACM Symposium on Eye Tracking Research &
Applications. ACM, pp. 123–130.
Fuhl, W., Tonsen, M., Bulling, A., Kasneci, E., 2016b. Pupil detection for head-mounted eye tracking in the wild: an
evaluation of the state of the art. Machine Vision and Applications 27, 1275–1288.
Gibaldi, A., Vanegas, M., Bex, P.J., Maiello, G., 2017. Evaluation of the Tobii EyeX Eye tracking controller and
Matlab toolkit for research. Behavior research methods 49, 923–946.
Gibb, D., Arulkumaran, S., 2017. Fetal Monitoring in Practice E-Book. Elsevier Health Sciences.
Goldberger, A.L., Amaral, L.A., Glass, L., Hausdorff, J.M., Ivanov, P.C., Mark, R.G., Mietus, J.E., Moody, G.B.,
Peng, C.-K., Stanley, H.E., 2000. Physiobank, physiotoolkit, and physionet. Circulation 101, e215–e220.
Grivell, R.M., Alfirevic, Z., Gyte, G., Devane, D., 2010. Antenatal cardiotocography for fetal assessment. Cochrane
Database Syst Rev 1.
50
Halır, R., Flusser, J., 1998. Numerically stable direct least squares fitting of ellipses, in: Proc. 6th International
Conference in Central Europe on Computer Graphics and Visualization. WSCG. Citeseer, pp. 125–132.
Hatakeyama, Y., Kataoka, H., Nakajima, N., Watabe, T., Okuhara, Y., 2014. Level evaluation system for
cardiotocography, in: Soft Computing and Intelligent Systems (SCIS), 2014 Joint 7th International
Conference on and Advanced Intelligent Systems (ISIS), 15th International Symposium On. IEEE, pp.
265–269.
Holmqvist, K., Nystrom, M., Andersson, R., Dewhurst, R., Jarodzka, H., Weijer, J. van de, 2015. Eye tracking: a
comprehensive guide to methods and measures, First published in paperback. ed. Oxford University Press,
Oxford.
Javadi, A.-H., Hakimi, Z., Barati, M., Walsh, V., Tcheang, L., 2015. SET: a pupil detection method using sinusoidal
approximation. Frontiers in neuroengineering 8, 4.
Jezewski, M., Czabanski, R., Wróbel, J., Horoba, K., 2010. Analysis of extracted cardiotocographic signal features
to improve automated prediction of fetal outcome. Biocybernetics and Biomedical Engineering 30, 29–47.
Kassner, M., Patera, W., Bulling, A., 2014. Pupil: an open source platform for pervasive eye tracking and mobile
gaze-based interaction, in: Proceedings of the 2014 ACM International Joint Conference on Pervasive and
Ubiquitous Computing: Adjunct Publication. ACM, pp. 1151–1160.
Kittler, J., Illingworth, J., 1986. Minimum error thresholding. Pattern Recognition 19, 41–47.
https://doi.org/10.1016/0031-3203(86)90030-0
Kumar, V., Asati, A., Gupta, A., 2017. Hardware implementation of a novel edge-map generation technique for
pupil detection in NIR images. Engineering Science and Technology, an International Journal 20, 694–704.
Kwon, J.Y., Park, I.Y., Shin, J.C., Song, J., Tafreshi, R., Lim, J., 2012. Specific change in spectral power of fetal
heart rate variability related to fetal acidemia during labor: comparison between preterm and term fetuses.
Early human development 88, 203–207.
Lancioni, G.E., Sigafoos, J., O’Reilly, M.F., Singh, N.N., 2012. Assistive technology: Interventions for individuals
with severe/profound and multiple disabilities. Springer Science & Business Media.
Li, D., Winfield, D., Parkhurst, D.J., 2005. Starburst: A hybrid algorithm for video-based eye tracking combining
feature-based and model-based approaches, in: Computer Vision and Pattern Recognition-Workshops,
2005. CVPR Workshops. IEEE Computer Society Conference On. IEEE, pp. 79–79.
Liang, S., Choi, K.-S., Qin, J., Wang, Q., Pang, W.-M., Heng, P.-A., 2016. Discrimination of motor imagery tasks
via information flow pattern of brain connectivity. Technology and Health Care 24, S795–S801.
Lu, W., Tan, J., 2008. Detection of incomplete ellipse in images with strong noise by iterative randomized Hough
transform (IRHT). Pattern Recognition 41, 1268–1279. https://doi.org/10.1016/j.patcog.2007.09.006
Lupu, R.G., Bozomitu, R.G., Nita, L., Romila, A., Pasarica, A., Arotaritei, D., Rotariu, C., 2015. Medical
professional end-device applications on Android for interacting with neuromotor disabled patients, in: 2015
E-Health and Bioengineering Conference (EHB). IEEE, pp. 1–4.
Lupu, R.G., Bozomitu, R.G., Păsărică, A., Rotariu, C., 2017. Eye tracking user interface for Internet access used in
assistive technology, in: E-Health and Bioengineering Conference (EHB), 2017. IEEE, pp. 659–662.
Maier, V., Pavel, S.G., Maier, C., Birou, I., 2008. Correct Application of the Discrete Fourier Transform in
Harmonics. Advances in Electrical and Computer Engineering 8, 26–30.
Mohammed, G.J., Hong, B.R., Jarjes, A.A., 2012. Accurate pupil features extraction based on new projection
function. Computing and Informatics 29, 663–680.
Morrison, J., Elliot, J., Jones, S., 2012. Uterine Contraction Monitoring, Maintenance Tocolysis, and Preterm Birth,
in: Morrison, J. (Ed.), Preterm Birth - Mother and Child. InTech. https://doi.org/10.5772/26897
Munteanu, V., Tarniceriu, D., 2005. Estimation theory and optimal filtering. Technopress, Iasi, Romania 306–310.
Niblack, W., 1985. An introduction to digital image processing. Strandberg Publishing Company.
Niedermeyer, E., da Silva, F.L., 2005. Electroencephalography: basic principles, clinical applications, and related
fields. Lippincott Williams & Wilkins.
Nita, L., Bozomitu, R.G., Lupu, R.G., Pasarica, A., Rotariu, C., 2015. Assistive communication system for patients
with severe neuromotor disabilities, in: 2015 E-Health and Bioengineering Conference (EHB). IEEE, pp.
1–4.
Păsărică, A., Bozomitu, R., Cehan, V., Lupu, R., Rotariu, C., 2015. Pupil detection algorithms for eye tracking
applications, in: Design and Technology in Electronic Packaging (SIITME), 2015 IEEE 21st International
Symposium For. IEEE, pp. 161–164.
Păsărică, A., Bozomitu, R.G., Cehan, V., Rotariu, C., 2016. Eye blinking detection to perform selection for an eye
tracking system used in assistive technology, in: Design and Technology in Electronic Packaging
(SIITME), 2016 IEEE 22nd International Symposium For. IEEE, pp. 213–216.
Pasarica, A., Bozomitu, R.G., Costin, H., Miron, C., Rotariu, C., 2017a. Human-computer interface based on eye
tracking with dwell time selection, in: Design and Technology in Electronic Packaging (SIITME), 2017
IEEE 23rd International Symposium For. IEEE, pp. 375–378.
Pasarica, A., Bozomitu, R.G., Diana Eva, O., Tarniceriu, D., Rotariu, C., 2016a. Analysis of different threshold
selection methods for eye image segmentation used in eye tracking applications. IEEE, pp. 299–302.
https://doi.org/10.1109/DAAS.2016.7492591
51
Pasarica, A., Bozomitu, R.G., Tarniceriu, D., Andruseac, G.G., Costin, H., Rotariu, C., 2017b. Analysis of eye
image segmentation used in eye tracking applications. REVUE ROUMAINE DES SCIENCES
TECHNIQUES-SERIE ELECTROTECHNIQUE ET ENERGETIQUE 62, 215–222.
Pasarica, A., Eva, O.D., Tarniceriu, D., 2017c. Analysis of EEG channel coupling for motor imagery applications.
IEEE, pp. 1–4. https://doi.org/10.1109/ISSCS.2017.8034885
Pasarica, A., Gheorghita, A., Nemescu, D., Andruseac, G., Costin, H., Rotariu, C., 2016b. Partial directed coherence
of cardiotocographic signals for analysis of preterm birth risk. Environmental Engineering and
Management Journal 15, 7.
Pasarica, A., Miron, C., Costin, H., Arotaritei, D., Rotariu, C., 2017d. Parameter-based analysis of antepartum and
labour electrohysterogram signals. IEEE, pp. 293–296. https://doi.org/10.1109/ATEE.2017.7905133
Pasarica, A., Rotariu, C., Bozomitu, R.G., Eva, O.D., 2015. Dynamic of couplings between fetal heart rate and
uterine contractions. IEEE, pp. 1–4. https://doi.org/10.1109/ISSCS.2015.7203968
Peek, S.T., Wouters, E.J., van Hoof, J., Luijkx, K.G., Boeije, H.R., Vrijhoef, H.J., 2014. Factors influencing
acceptance of technology for aging in place: a systematic review. International journal of medical
informatics 83, 235–248.
Peng Wang, Green, M.B., Qiang Ji, Wayman, J., 2005. Automatic Eye Detection and Its Validation. IEEE, pp. 164–
164. https://doi.org/10.1109/CVPR.2005.570
Petti, M., Toppi, J., Babiloni, F., Cincotti, F., Mattia, D., Astolfi, L., 2016. EEG resting-state brain topological
reorganization as a function of age. Computational intelligence and neuroscience 2016, 31.
Pfurtscheller, G., Neuper, C., Guger, C., Harkam, W., Ramoser, H., Schlogl, A., Obermaier, B., Pregenzer, M.,
2000. Current trends in Graz brain-computer interface (BCI) research. IEEE transactions on rehabilitation
engineering 8, 216–219.
Pichiorri, F., Morone, G., Petti, M., Toppi, J., Pisotta, I., Molinari, M., Paolucci, S., Inghilleri, M., Astolfi, L.,
Cincotti, F., others, 2015. Brain–computer interface boosts motor imagery practice during stroke recovery.
Annals of neurology 77, 851–865.
Raguram, R., Frahm, J.-M., Pollefeys, M., 2008. A comparative analysis of RANSAC techniques leading to
adaptive real-time random sample consensus, in: European Conference on Computer Vision. Springer, pp.
500–513.
Robinson, B., 2008. A Review of NICHD Standardized Nomenclature for Cardiotocography: The Importance of
Speaking a Common Language When Describing Electronic Fetal Monitoring. Reviews in Obstetrics and
Gynecology 1, 56–60.
Rotariu, C., Costin, H., Pasarica, A., Nemescu, D., 2015. Classification of Parameters Extracted from
Cardiotocographic Signals for Early Detection of Metabolic Acidemia in Newborns. Advances in Electrical
and Computer Engineering 15, 161–166. https://doi.org/10.4316/AECE.2015.03023
Rotariu, Cristian, Pasarica, A., Andruseac, G., Costin, H., Nemescu, D., 2014. Automatic analysis of the fetal heart
rate variability and uterine contractions, in: 2014 International Conference and Exposition on Electrical and
Power Engineering (EPE). IEEE, pp. 553–556.
Rotariu, C., Pasarica, A., Costin, H., Nemescu, D., 2014. Spectral analysis of fetal heart rate variability associated
with fetal acidosis and base deficit values, in: 2014 International Conference on Development and
Application Systems (DAS). Presented at the 2014 International Conference on Development and
Application Systems (DAS), pp. 210–213. https://doi.org/10.1109/DAAS.2014.6842457
Schalk, G., McFarland, D.J., Hinterberger, T., Birbaumer, N., Wolpaw, J.R., 2004. BCI2000: a general-purpose
brain-computer interface (BCI) system. IEEE Transactions on biomedical engineering 51, 1034–1043.
Schneider, U., Schleussner, E., Fiedler, A., Jaekel, S., Liehr, M., Haueisen, J., Hoyer, D., 2009. Fetal heart rate
variability reveals differential dynamics in the intrauterine development of the sympathetic and
parasympathetic branches of the autonomic nervous system. Physiological measurement 30, 215.
Sim, K.S., Tso, C.P., Tan, Y.Y., 2007. Recursive sub-image histogram equalization applied to gray scale images.
Pattern Recognition Letters 28, 1209–1221. https://doi.org/10.1016/j.patrec.2007.02.003
Singh, T.R., Roy, S., Singh, O.I., Sinam, T., Singh, K., others, 2012. A new local adaptive thresholding technique in
binarization. arXiv preprint arXiv:1201.5227.
Świrski, L., Bulling, A., Dodgson, N., 2012. Robust real-time pupil tracking in highly off-axis images, in:
Proceedings of the Symposium on Eye Tracking Research and Applications. ACM, pp. 173–176.
Tsoneva, T., Baldo, D., Lema, V., Garcia-Molina, G., 2011. EEG-rhythm dynamics during a 2-back working
memory task and performance, in: Engineering in Medicine and Biology Society, EMBC, 2011 Annual
International Conference of the IEEE. IEEE, pp. 3828–3831.
Wenchao Cai, Qian Yu, Hong Wang, 2004. A fast contour-based approach to circle and ellipse detection. IEEE, pp.
4686–4690. https://doi.org/10.1109/WCICA.2004.1342408
Young, L.R., Sheena, D., 1975. Eye-movement measurement techniques. American Psychologist 30, 315.
Zeitlin, J., Mohangoo, A.D., Delnorn, M., Alexander, S., Blondel, B., Bouvier-Colle, M.H., Dattani, N., Gissler, M.,
Macfarlane, A., Pal, K., 2013. European perinatal health report. The health and care of pregnant women
and babies in Europe in 2010.
52
Anexa 1 - Chestionar pentru aprecierea SIACT de către pacienţii care au
efectuat testarea sistemului în spitale
1. Consideraţi că sistemul SIACT răspunde necesităţii d-stră de comunicare cu
supraveghetorul/alte persoane?
0 1 2 3 4 5
2. Cum apreciaţi modul de utilizare al sistemului SIACT?
0 1 2 3 4 5
3. Cum apreciaţi cele două funcţii ale sistemului SIACT (comunicarea şi telemonitorizarea
parametrilor fiziologici)?
0 1 2 3 4 5
4. Cuvintele cheie care se derulează pe ecran corespund necesităţilor d-stră?
0 1 2 3 4 5
5. Cum apreciaţi grafica utilizată de sistemul SIACT?
0 1 2 3 4 5
6. Consideraţi utilă o bază de date organizată ierarhic?
0 1 2 3 4 5
7. Cum apreciaţi selecţia cuvintelor cheie/ideogramelor prin tehnica de detecţie a privirii?
0 1 2 3 4 5
8. Cum apreciaţi selecţia cuvintelor cheie/ideogramelor cu ajutorul comutatorului (senzorului)?
0 1 2 3 4 5
9. Ideogramele care însoţesc cuvintele cheie sunt sugestive?
0 1 2 3 4 5
10. În urma testelor efectuate aţi reuşit să comunicaţi eficient cu supraveghetorul?
0 1 2 3 4 5
11. Consideraţi utilă telemonitorizarea parametrilor fiziologici?
0 1 2 3 4 5
12. Consideraţi că sistemul este suficient de flexibil, astfel încât să se poată reconfigura rapid
necesităţilor d-stră? (se urmăreşte frecvenţa de derulare a cuvintelor cheie, modificarea bazelor
53
de date în sensul introducerii sau eliminării unor cuvinte cheie, modificarea pictogramelor sau a
mesajelor sonore care însoţesc derularea cuvintelor cheie)
0 1 2 3 4 5
13. Consideraţi util în spital/domiciliu sistemul SIACT?
0 1 2 3 4 5
14. Pe parcursul testării care a fost nivelul de oboseală resimţit?
0 1 2 3 4 5
15. Aţi avut senzaţia de disconfort fizic datorită componentelor (modulelor) sistemului SIACT?
0 1 2 3 4 5