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.<\/p>\n
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.<\/p>\n
DE: Deep Learning Methoden zur Erkennung und Entfernung von Artefakten in Messungen der Hautleitf\u00e4higkeit<\/em><\/p>\n W\u00e4hrend meines Praktikums bei HEAD acoustics besch\u00e4ftigte ich mich haupts\u00e4chlich mit der Signalverarbeitung von physiologischen Messungen. In H\u00f6rversuchen und Fahrsimulationen in Virtual Reality werden unterschiedliche physiologische Parameter \u00fcber die Zeit aufgezeichnet, um den Einfluss akustischer Stimuli auf den Probanden zu quantifizieren anstatt sich ausschlie\u00dflich auf die anschlie\u00dfende Befragung des Probanden zu verlassen. Beispielsweise wird die Hautleitf\u00e4higkeit mit zwei Elektroden an der Handfl\u00e4che der nichtdominanten Hand gemessen, um das Stresslevel \u00fcber die Zeit zu bewerten. Hierbei treten schnell Artefakte durch Variation der Atmung oder Bewegung der H\u00e4nde auf, sodass in den meisten F\u00e4llen aus dem Signal die n\u00f6tigen Gr\u00f6\u00dfen zur Auswertung nicht extrahiert werden k\u00f6nnen und die Messungen somit unbrauchbar sind.<\/em><\/p>\n 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 Durchf\u00fchrung von H\u00f6rversuchen oder Fahrsimulationen in Virtual Reality erkennen und nachtr\u00e4glich automatisch entfernen kann. Hierbei wurden unterschiedliche Architekturen aus der Literatur untersucht und eigene Architekturen entwickelt. F\u00fcr Trainingszwecke wurden \u00f6ffentlich zug\u00e4ngliche Datens\u00e4tze genutzt. Die Implementierung erfolgte haupts\u00e4chlich in Python und PyTorch. Abschlie\u00dfend wurde eine Versuchsreihe mit den Studenten bei HEAD acoustics durchgef\u00fchrt, um die Modelle zu validieren.<\/em><\/p>\n Melden Sie sich hier an um Einladungen zu den Kolloquium-Vortr\u00e4gen per E-Mail zu erhalten.<\/a>
\nRegister here to receive the invitations to colloquium talks via e-mail.<\/a><\/p>\n