Metody komunikacji człowiek-komputer dla pacjentów z ciężkimi urazami mózgu

Projekt przewiduje realizację badań podstawowych i eksperymentów w dziedzinie technologii multimedialnej i nauk medycznych. Badania zostaną przeprowadzone z wykorzystaniem eksperymentalnego, zintegrowanego systemu multimodalnego, stanowiącego narzędzie diagnostyczne i rehabilitacyjne, którego przydatność w diagnozie i terapii pacjentów niekomunikujących się zostanie zweryfikowana w toku badań medycznych. W ramach projektu zweryfikowane zostaną na reprezentatywnej grupie pacjentów następujące hipotezy badawcze: 1. Zastosowanie zintegrowanych technologii: śledzenia wzroku, EEG, rzeczywistości wirtualnej oraz kontrolowanej emisji zapachów może skutecznie wspierać proces diagnozy i neurorehabilitacji pacjentów niekomunikujących się; 2. Stymulacja polisensoryczna funkcji poznawczych może mieć znaczący wpływ na poprawę stanu świadomości pacjentów po urazach mózgu. Głównym celem projektu jest opracowanie koncepcji i rozwiązań zintegrowanego systemu multimodalnego wraz ze zwalidowaną w toku badań procedurą diagnostyczno-terapeutyczną, która stanowić będzie bardziej skuteczne i szerzej dostępne podejście do diagnozy i rehabilitacji pacjentów niekomunikujących się, w szczególności tych pozostających w stanie śpiączki. Projekt w swej istocie nie dotyczy opracowania i implementacji konkretnych rozwiązań (są to zadania pomocnicze), ale będzie skoncentrowany na pozyskaniu wiedzy i na eksperymentalnej weryfikacji wyników. Badania planowane w ramach projektu składają się z dwóch głównych etapów: zaprojektowania i opracowania eksperymentalnego prototypu zintegrowanego systemu multimodalnego opartego na oryginalnych rozwiązaniach technologicznych, jak również z przeprowadzenia serii odpowiednich badań medycznych z udziałem pacjentów. W trakcie projektu planuje się również realizację prac magisterskich lub doktorskich zgodnych z tematem badań.

Informacje szczegółowe

Akronim projektu:: HCIBRAIN
Program finansujący:: OPUS
Instytucja:: Narodowe Centrum Nauki (NCN) (National Science Centre)
Porozumienie:: UMO-2014/15/B/ST7/04724 z dnia 2015-07-16
Okres realizacji:: 2015-07-16 - 2019-03-15
Kierownik projektu:: prof. dr hab. inż. Andrzej Czyżewski
Realizowany w:: Katedra Systemów Multimedialnych
Wartość projektu:: 996 644.00 PLN
Typ zgłoszenia:: Krajowy Program Badawczy
Pochodzenie:: Projekt krajowy
Weryfikacja:: Politechnika Gdańska

Publikacje powiązane z tym projektem

wyników na stronę:
rok:
- zaznaczony Sortuj po rok od najnowszych
- Sortuj po rok od najstarszych
tytuł:
- zaznaczony Sortuj po tytuł A-Z
- Sortuj po tytuł Z-A
cytowania:
- Sortuj po cytowania malejąco
- Sortuj po cytowania rosnąco

Filtry

wszystkich: 4

Rok 2019

Comparison of the effectiveness of automatic EEG signal class separation algorithms
Publikacja
- JOURNAL OF INTELLIGENT & FUZZY SYSTEMS - Rok 2019
In this paper, an algorithm for automatic brain activity class identification of EEG (electroencephalographic) signals is presented. EEG signals are gathered from seventeen subjects performing one of the three tasks: resting, watching a music video and playing a simple logic game. The methodology applied consists of several steps, namely: signal acquisition, signal processing utilizing z-score normalization, parametrization and...

Pełny tekst do pobrania w portalu
Method for Clustering of Brain Activity Data Derived from EEG Signals
Publikacja
- FUNDAMENTA INFORMATICAE - Rok 2019
A method for assessing separability of EEG signals associated with three classes of brain activity is proposed. The EEG signals are acquired from 23 subjects, gathered from a headset consisting of 14 electrodes. Data are processed by applying Discrete Wavelet Transform (DWT) for the signal analysis and an autoencoder neural network for the brain activity separation. Processing involves 74 wavelets from 3 DWT families: Coiflets,...

Pełny tekst do pobrania w portalu

Rok 2018

Automatic Clustering of EEG-Based Data Associated with Brain Activity
Publikacja
- Rok 2018
The aim of this paper is to present a system for automatic assigning electroencephalographic (EEG) signals to appropriate classes associated with brain activity. The EEG signals are acquired from a headset consisting of 14 electrodes placed on skull. Data gathered are first processed by the Independent Component Analysis algorithm to obtain estimates of signals generated by primary sources reflecting the activity of the brain....

Pełny tekst do pobrania w serwisie zewnętrznym
Comparison of Methods for Real and Imaginary Motion Classification from EEG Signals
Publikacja
- Rok 2018
A method for feature extraction and results of classification of EEG signals obtained from performed and imagined motion are presented. A set of 615 features was obtained to serve for the recognition of type and laterality of motion using 8 different classifications approaches. A comparison of achieved classifiers accuracy is presented in the paper, and then conclusions and discussion are provided. Among applied algorithms the...

Pełny tekst do pobrania w serwisie zewnętrznym

wyświetlono 777 razy