Neural networks for heart rate time series analysis

• Main Author: Saalasti, Sami
• Format: Doctoral or Postdoctoral Thesis
• Language: English
• Published: Jyväskylän yliopisto 2003
• Subjects: Tietotekniikka; neuroverkot; hyvinvointiteknologia; fysiologia; syke; hapenotto; hapenpuute; hengitys; Talon; sami
• Online Access: http://urn.fi/URN:ISBN:951-39-1707-X

Jyväskylän yliopisto, ammattikorkeakoulu ja elinkeinoelämä ovat viimevuosina investoineet voimakkaasti hyvinvointiteknologian kehittämiseen Jyvässeudun alueella. Tavoitteena on ollut kehittää alan yritystoimintaa ja verkostoitumista, sekä koulutusta ja tutkimusta. Tuoreena esimerkkinä on Viveca-talon valmistuminen 2003, jossa hyvinvointiteknologian yritys ja tutkimustoimintaa on integroitu yhteisiin toimitiloihin. Sami Saalastin väitöskirjatyön tutkimustulokset ovat syntyneet pääasiassa kahdessa hyvinvointiteknologiaa edistävässä Tekes -projektissa Kilpa- ja Huippu-urheilun Tutkimuskeskuksessa, sekä Firstbeat Technologies Oy:ssä vuosina 2000-2003. Tutkimusta on ollut rahoittamassa myös Comas -tutkijakoulu. The dissertation introduces method and algorithm development for nonstationary, nonlinear and dynamic signals. Furthermore, the dissertation concentrates on applying neural networks for time series analysis. The presented methods are especially applicable for heart rate time series analysis.Some classical methods for time series analysis are introduced, including improvements and new aspects for existing data preprocessing and modeling procedures, e.g., time series segmentation, digital filtering, data-ranking, detrending,time-frequency and time-scale distributions. A new approach for the creation of hybrid models with a discrete decision plane and limited value range is illustrated. A time domain peak detection algorithm for signal decomposition, i.e., estimation of a signal's instantaneous power and frequency, is presented.A concept for constructing reliability measures, and the utilization of reliability to improve model and signal quality with postprocessing are grounded. Also a new method for estimating the reliability of instantaneous frequency for time-frequency distributions is presented. Furthermore, error tolerant methods are introduced to improve the signal-to-noise ratio in the time series.Some new principles are grounded for the neural network theory. Optimization of a time-frequency plane with ...