BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Akustik-Blog - ECPv6.16.3//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Akustik-Blog
X-ORIGINAL-URL:https://blog.rwth-aachen.de/akustik
X-WR-CALDESC:Veranstaltungen für Akustik-Blog
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Berlin
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20240331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20241027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20260329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20261025T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Berlin:20250822T110000
DTEND;TZID=Europe/Berlin:20250822T113000
DTSTAMP:20260723T195019
CREATED:20250730T125551Z
LAST-MODIFIED:20250730T125551Z
UID:3533-1755860400-1755862200@blog.rwth-aachen.de
SUMMARY:Lingens: Deep Learning methods for detecting and removing artefacts in skin conductance measurements
DESCRIPTION: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. \nSince 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. \nDE: Deep Learning Methoden zur Erkennung und Entfernung von Artefakten in Messungen der Hautleitfähigkeit \nWährend 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. \nDa 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. \nMelden Sie sich hier an um Einladungen zu den Kolloquium-Vorträgen per E-Mail zu erhalten.\nRegister here to receive the invitations to colloquium talks via e-mail. \nZoom-Meeting-ID: 954 4073 3814\nPasswort: 450783
URL:https://blog.rwth-aachen.de/akustik/event/lingens-deep-learning-methods-for-detecting-and-removing-artefacts-in-skin-conductance-measurements/
LOCATION:IHTA Seminarraum (60 Persons) and Zoom-Meeting (Hybrid)\, Kopernikusstr. 5\, Aachen\, 52074\, Deutschland
CATEGORIES:Vortrag Praxissemester
END:VEVENT
END:VCALENDAR