Application of Empirical Mode Decomposition (EMD) on DaTSCAN SPECT images to explore Parkinson Disease

Rojas, A.; Górriz, Juan Manuel; Ramı́rez, Javier; Illán, Ignacio A.; Martínez-Murcia, Francisco Jesús; Ortíz, Andrés; Rio, Miguel; Moreno-Caballero, M.

doi:10.1016/j.eswa.2012.11.017

Cited by 64 publications

(30 citation statements)

References 39 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In Table 2 we compare this method with others from the bibliography and the Voxels-as-Features approach, commonly used as an estimation of the performance of visual analysis performed by experts [15]. Some of the methods evaluated include a combination of intensity normalization strategies and classifiers (VAF-IN) [5], a SVD approach that independently decomposes each side of the brain (as PD often show asymmetrical dopamine deficit) [14] and a EMD of the images, then modeled using PCA or ICA to classify the images [13].…”

Section: Resultsmentioning

confidence: 99%

“…Table 2. Comparison of our proposed system (using different texture features) and some other methods in the bibliography: VAF system using the intensity-normalized images, a combination of intensity normalization strategies and classifiers (VAF-IN) [5], a SVD-based approach [14] and EMD using the third independent mode function (IMF3) [13]. In Table 2 we compare this method with others from the bibliography and the Voxels-as-Features approach, commonly used as an estimation of the performance of visual analysis performed by experts [15].…”

Section: Resultsmentioning

confidence: 99%

“…Techniques range from the use of selection of Regions of Interest (ROIs) [5], or Single Value Decomposition strategies (SVD) [14] to more complex approaches such as Empirical Mode Decomposition (EMD) combined with Principal Component Analysis (PCA) combined method in [13].…”

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Texture Features Based Detection of Parkinson’s Disease on DaTSCAN Images

Martínez-Murcia

Górriz

Ramı́rez

et al. 2013

Natural and Artificial Computation in Engineering and Medical Applications

View full text Add to dashboard Cite

Abstract. In this work, a novel approach to Computer Aided Diagnosis (CAD) system for the Parkinson's Disease (PD) is proposed. This tool is intended for physicians, and is based on fully automated methods that lead to the classification of Ioflupane/FP-CIT-I-123 (DaTSCAN) SPECT images. DaTSCAN images from the Parkinson Progression Markers Initiative (PPMI) are used to have in vivo information of the dopamine transporter density. These images are normalized, reduced (using a mask), and then a GLC matrix is computed over the whole image, extracting several Haralick texture features which will be used as a feature vector in the classification task. Using the leave-one-out cross-validation technique over the whole PPMI database, the system achieves results up to a 95.9% of accuracy, and 97.3% of sensitivity, with positive likelihood ratios over 19, demonstrating our system's ability on the detection of the Parkinson's Disease by providing robust and accurate results for clinical practical use, as well as being fast and automatic.

show abstract

Section: Resultsmentioning

confidence: 99%

Section: Resultsmentioning

confidence: 99%

See 1 more Smart Citation

Texture Features Based Detection of Parkinson’s Disease on DaTSCAN Images

Martínez-Murcia

Górriz

Ramı́rez

et al. 2013

Natural and Artificial Computation in Engineering and Medical Applications

View full text Add to dashboard Cite

show abstract

“…Empirical mode decomposition (EMD) is an adaptive timefrequency signal processing method [1][2][3][4]. EMD not only has a wide applicability and a high signal-to-noise ratio, but also does not need basis functions; therefore, it has been applied in many engineering fields [5][6][7][8].…”

Section: Introductionmentioning

confidence: 99%

A Research on Maximum Symbolic Entropy from Intrinsic Mode Function and Its Application in Fault Diagnosis

Zhang

Liu

et al. 2017

Mathematical Problems in Engineering

View full text Add to dashboard Cite

Empirical mode decomposition (EMD) is a self-adaptive analysis method for nonlinear and nonstationary signals. It has been widely applied to machinery fault diagnosis and structural damage detection. A novel feature, maximum symbolic entropy of intrinsic mode function based on EMD, is proposed to enhance the ability of recognition of EMD in this paper. First, a signal is decomposed into a collection of intrinsic mode functions (IMFs) based on the local characteristic time scale of the signal, and then IMFs are transformed into a serious of symbolic sequence with different parameters. Second, it can be found that the entropies of symbolic IMFs are quite different. However, there is always a maximum value for a certain symbolic IMF. Third, take the maximum symbolic entropy as features to describe IMFs from a signal. Finally, the proposed features are applied to evaluate the effect of maximum symbolic entropy in fault diagnosis of rolling bearing, and then the maximum symbolic entropy is compared with other standard time analysis features in a contrast experiment. Although maximum symbolic entropy is only a time domain feature, it can reveal the signal characteristic information accurately. It can also be used in other fields related to EMD method.

show abstract

“…La detección de la modulación de frecuencia en la fonación se ha utilizado para estimar las principales inestabilidades tales como jitter, shimmer, tasa de harmónico ruido, etcéte-ra [113], [127], [119], [120], [167] y [153]. Esta técnica produce estimaciones de las bandas principales encontradas en f 0 así como de sus respectivas amplitudes.…”

Section: Parámetros De Temblorunclassified

Contribución al estudio de selección de parámetros para identificación de estrés en la voz

Palacios-Alonso¹

View full text Add to dashboard Cite

DIRECTORA: Ma VICTORIA RODELLAR BIARGE MADRID, JULIO 2017Dedicado a todos aquellos que han hecho posible este trabajo I AgradecimientosUna vez más, me vuelvo a enfrentar a estas líneas, pero esta vez para mi tesis doctoral.Me gustaría dar las gracias a M a Victoria Rodellar Biarge, mi directora, que me ha enseñado a razonar y cuestionar todo lo relativo al mundo de la investigación. Descubrir y disfrutar de tardes llenas de ideas, locuras y entusiasmo. A enseñar y dirigir a otras personas, porque me ha hecho crecer en lo personal y en lo profesional. Pero sobre todo, me gustaría agradecer todo el apoyo y cariño que me ha ofrecido todos estos años, haciéndome partícipe en mil y una "batallas" y siempre con una sonrisa y palabras amables.Gracias a Pedro Gómez Vilda, que me ha aportado tanto y sin pedir nada a cambio. Siempre ha valorado y tenido en cuenta mis ideas y opiniones. Me ha integrado en el equipo y me ha dado la oportunidad de viajar, publicar y asistir a congresos. Me ha presentado a mucha gente interesante con la que poder colaborar y siempre ha estado presente para cada nueva idea que ha surgido.Gracias al equipo IWINAC, José Manuel Ferrández Vicente, Félix de la Paz López, José RamónÁlvarez Sánchez y Fco. Javier Toledo Moreo por ofrecerme la oportunidad de participar en varias escuelas de verano como ponente e invitarme a grabar un programa sobre ciencia en la radio.Me gustaría agradecer especialmente a la Asociación Española de Inteligencia Artificial (AEPIA) por el premio otorgado y la oportunidad de poder hacer una estancia en la Universidad de Granada. Gracias también al equipo que me acogió en Granada, Carlos G. Puntonet, Javier Ramírez, Pablo Padilla y Juan Manuel Górriz. Sin ellos, esto tampoco habría sido posible.Gracias a todos mis amigos, por acompañarme a lo largo de estos años y siempre con palabras deánimo y aliento, pero muy especialmente a Román Barredo y Ana Barderas. A Román porque siempre me ha apoyado en todo momento, y a Ana por ayudarme en la captación de muestras de voz y la valoración de publicaciones.Y por supuesto, gracias a mi familia, pero especialmente a mi madre. Si no fuera por ella, seguramente jamás habría podido haber llegado hasta aquí. Y porúltimo y fundamental, gracias a Esther, porque ella ha sido el motor de esta aventura desde el primer momento. ResumenEn este trabajo se presenta un estudio de la caracterización de emociones y más concretamente del estrés a través de la voz, haciendo hincapié en la obtención de muestras de calidad espontáneas, en el conjunto de parámetros que mejor determinen la presencia de estrés y en aquellos algoritmos matemáticos que por un lado mejor validen unos conjuntos de datos, y por otro lado, aquellos que ofrezcan unas tasas de reconocimiento más elevadas con niveles de cómputo asequibles y extrapolables para su posible implementación en interfaces hombre-máquina.En el primer capítulo se ofrece una introducción al estudio de las emociones realizando una retrospectiva sobre el tema y ofreciendo los avances paulatinos a lo largo de l...

show abstract

Application of Empirical Mode Decomposition (EMD) on DaTSCAN SPECT images to explore Parkinson Disease

Cited by 64 publications

References 39 publications

Texture Features Based Detection of Parkinson’s Disease on DaTSCAN Images

Texture Features Based Detection of Parkinson’s Disease on DaTSCAN Images

A Research on Maximum Symbolic Entropy from Intrinsic Mode Function and Its Application in Fault Diagnosis

Contribución al estudio de selección de parámetros para identificación de estrés en la voz

Contact Info

Product

Resources

About