During my internship at HEAD acoustics, I mainly worked on signal processing for physiological measurements. In hearing tests and driving simulations in virtual reality, various physiological parameters are recorded over time in order to quantify the influence of acoustic stimuli on the test subject instead of relying solely on the subsequent questioning of the test subject. For example, skin conductance is measured with two electrodes on the palm of the non-dominant hand to assess the stress level over time. However, artefacts quickly occur due to variations in breathing or hand movements. In most cases the necessary metrics for evaluating the stress level cannot be obtained from the signal anymore and the measurements are therefore unusable.

Since simple filters are not sufficient to remove these artefacts, the internship mainly focused on finding a deep learning method that can detect the artefacts after performing hearing tests or driving simulations in virtual reality and subsequently remove them automatically. Various architectures from the literature were examined and custom architectures were developed. Public datasets were used for training. The implementation was mainly carried out in Python and PyTorch. Finally, a series of experiments was conducted with the students at HEAD acoustics to validate the models.

DE: Deep Learning Methoden zur Erkennung und Entfernung von Artefakten in Messungen der Hautleitfähigkeit

Während meines Praktikums bei HEAD acoustics beschäftigte ich mich hauptsächlich mit der Signalverarbeitung von physiologischen Messungen. In Hörversuchen und Fahrsimulationen in Virtual Reality werden unterschiedliche physiologische Parameter über die Zeit aufgezeichnet, um den Einfluss akustischer Stimuli auf den Probanden zu quantifizieren anstatt sich ausschließlich auf die anschließende Befragung des Probanden zu verlassen. Beispielsweise wird die Hautleitfähigkeit mit zwei Elektroden an der Handfläche der nichtdominanten Hand gemessen, um das Stresslevel über die Zeit zu bewerten. Hierbei treten schnell Artefakte durch Variation der Atmung oder Bewegung der Hände auf, sodass in den meisten Fällen aus dem Signal die nötigen Größen zur Auswertung nicht extrahiert werden können und die Messungen somit unbrauchbar sind.

Da zur Entfernung dieser Artefakte einfache Filter nicht ausreichen, wurde im Rahmen des Praktikums versucht eine Deep Learning Methode zu finden, welches die Artefakte nach der Durchführung von Hörversuchen oder Fahrsimulationen in Virtual Reality erkennen und nachträglich automatisch entfernen kann. Hierbei wurden unterschiedliche Architekturen aus der Literatur untersucht und eigene Architekturen entwickelt. Für Trainingszwecke wurden öffentlich zugängliche Datensätze genutzt. Die Implementierung erfolgte hauptsächlich in Python und PyTorch. Abschließend wurde eine Versuchsreihe mit den Studenten bei HEAD acoustics durchgeführt, um die Modelle zu validieren.

Melden Sie sich hier an um Einladungen zu den Kolloquium-Vorträgen per E-Mail zu erhalten.
Register here to receive the invitations to colloquium talks via e-mail.

Zoom-Meeting-ID: 954 4073 3814
Passwort: 450783