Проект направлен на создание и совершенствование программного комплекса для автоматического анализа моторных вызванных потенциалов (MEP) на основе электромиографических (ЭМГ) данных. Актуальность проекта обусловлена необходимостью стандартизировать и ускорить анализ MEP, который традиционно требует значительных временных затрат и зависит от субъективной оценки исследователя/клинического специалиста. Автоматизация данного процесса повысит точность и воспроизводимость нейрофизиологических...Подробнее

Создать модульный программный комплекс с графическим интерфейсом для автоматического анализа моторных вызванных потенциалов (MEP) по данным ЭМГ-записей. Конечным результатом станет полностью функционирующее приложение, позволяющее пользователю проводить обработку, визуализацию и статистический анализ MEP в несколько кликов, с возможностью последующего расширения функционала. В перспективе - интеграция нейросетевых алгоритмов для автоматического определения латентностей и предсказания параметров...Подробнее

Еженедельные встречи в удобное время

1. Python script для автоматической экстракции и анализа данных MEP возможностью мануального маркирования с проверками и без утечек памяти\неожиданной модификации анализируемых данных и с уверенностью в анализе и визуализации данных + сравнение с результатами решений для анализа других сигналов (ЭЭГ) в других средах (Matlab) 2. .exe для запуска конечным нативным программированию пользователем 3. Документация к проекту 4. Переделанная и прозрачная архитектура, с возможностью расширения...Подробнее

Проект реализуется в среде Python (Anaconda) с использованием библиотек NumPy, SciPy, Pandas, PyQt6, PyQtGraph, MNE, TensorFlow, scikit-learn, Zarr, Polars. Для профилирования и оптимизации применяются cProfile, Numba, Nuitka, pytest. Работа с кодом и документацией ведётся через GitHub, Notion/Overleaf и облачные хранилища (OneDrive, Google Drive). Требуемое оборудование: ПК с Intel i7/Ryzen 7, 16–32 ГБ RAM, SSD-накопителем. Используются экспериментальные ЭМГ-данные и тестовые наборы для...Подробнее

На текущем этапе выполнена значительная часть базовой архитектуры проекта. Разработаны основные модули обработки и визуализации ЭМГ-данных, включая загрузку, предобработку сигналов, фильтрацию и отображение с использованием PyQt6 и PyQtGraph. Реализованы инструменты ручной и полуавтоматической разметки MEP, поддерживается работа с форматами Zarr и Parquet, обеспечивающими быструю загрузку и сохранение больших массивов данных. Создана структура для автоматического вычисления параметров MEP...Подробнее