450-4032/01 – Zpracování biosignálů (ZBS)
Garantující katedra | Katedra kybernetiky a biomedicínského inženýrství | Kredity | 4 |
Garant předmětu | Ing. Jan Kubíček, Ph.D. | Garant verze předmětu | Ing. Jan Kubíček, Ph.D. |
Úroveň studia | pregraduální nebo graduální | Povinnost | povinný |
Ročník | 2 | Semestr | zimní |
| | Jazyk výuky | čeština |
Rok zavedení | 2010/2011 | Rok zrušení | |
Určeno pro fakulty | FEI | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Cílem předmětu Zpracování biosignálu je seznámit studenty s jednotlivými biologickými signály, jejich filtrací a analýzou v časové a kmitočtové oblasti a metodami zobrazení zpracovaných výsledků. Při analýze reálných dat (EEG a EKG) bude využívat prostředí MATLAB. Student bude schopen využít těchto znalostí pro řešení inženýrských problémů v oblasti zpracování biologických signálů.
Vyučovací metody
Přednášky
Individuální konzultace
Cvičení (v učebně)
Experimentální práce v laboratoři
Projekt
Anotace
Vlastnosti biologických signálů, kódování lékařských dat, diskretizace. Zpracování signálů v časové oblasti, filtrace, ve frekvenční oblasti - parametrické modely, FFT. Zobrazení zpracovaných výsledků - CSA, topografické mapování. Adaptivní segmentace, metody automatické klasifikace signálů - učení bez učitele, shluková analýza. Neuronové sítě. Praktické aplikace zpracování EEG signálů.
Povinná literatura:
Doporučená literatura:
Svatoš J., Biologické signály I. Geneze, zpracování a analýza. Skriptum ČVUT FEL,1995
Mohylová J.,Využití číslicového zpracování signálů EEG pro lokalizaci epileptického ložiska. Disertační doktorská práce, 1999 Literatura doporučená (separáty článků lze získat u přednášejícího)
Další studijní materiály
Forma způsobu ověření studijních výsledků a další požadavky na studenta
• Průběžné ověřování znalostí studentů na početních cvičeních formou diskuse a dotazů s cílem aktivního zapojení studentů do výuky. Identifikovat, dedukovat a hledat řešení problémů a jejich interpretace studenty.
• Kontrolní testy na řešení početních příkladů, popřípadě vybraných teoretických okruhů
• Semestrální práce a projekty na zadané téma na základě výběru, přezkoumání, seřazení a konečné kompilace faktů a jejich zapracování do konečné formy zadané práce.
E-learning
Další požadavky na studenta
Nevyžadují se žádné další požadavky na studenta.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Přednášky:
Signály v lékařství - původ, charakter a obecné principy zpracování biosignálů, metody a algoritmy zpracování signálů přehledně Charakteristika biosignálů, EEG, EMG, ECG, EOG. Původ, zdroje, diagnostické využití. Možnosti uplatnění bio-inženýrů.
Zpracování biologických signálů v reálném čase a off line. Přiřazení nutných zařízení, počítačové sítě. Statistické charakteristiky biosignálů. Pravděpodobnostní rozložení. Stochastické procesy, analýza časových řad. Nestacionarita.
Údaje o pacientovi, identifikační soubory. Sběr a předzpracování biologických dat, diskretizace - základní řetězec převodu do počítače. A/D převodníky, problémy vzorkování a kvantizace signálu. Aliasing. Filtrace. Trendy. Data zpracovavána souběžně se signály.
Spektrální analýza I. - Základní metody. Periodogram, AR model. Parametrické a neparametrické metody. Praktické problémy odhadu spektra. Křížové spektrum, koherence a fáze.
Spektrální analýza II. - FFT. Aplikace. Metoda zhuštěných spektrálních kulis (CSA). Použití. Interhemisferická a lokální koherence. Mediální synchronie a symetrie. Měření fáze.
Topografické mapování elektrofyziologické aktivity. Princip brain mappingu. Amplitudové a frekvenční mapování. Interpolace. Použití v klinické diagnostice. Dynamické mapování.
Adaptivní segmentace Motivace. Nestacionarita biosignálů. Základní metody. Multikanálová on-line adaptivní segmentace. Extrakce příznaků.
Metody automatické klasifikace I. - Učení bez učitele. Metriky. Normalizace dat. Shluková analýza. K-means algoritmus. Fuzzy množiny. Optimální počet tříd. Limity a omezení shlukové analýzy.
Neuronové sítě a zpracování signálů. Metoda nezávislých komponent. Hebbovské učení. Automatická klasifikace II. - Učící se klasifikátory. Srovnání vlastností supervizovaného a nesupervizovaného učení. On-line klasifikace. k-NN klasifikátor klasický a fuzzy. Porovnání s neuronovými sítěmi.
Automatická detekce epileptických grafoelementů II. Automatický detektor hrotů na základě mediánové filtrace. Aritmetický detektor. Kombinovaný detektor.Metoda hlavních komponent a klasické filtrace pro detekci.
Elektrokardiografický signál, digitální zpracování, vlastnosti. Kritéria digitalizace EKG, frekvenční analýza, filtrace, adaptivní filtrace. Redukce dat, holterovské techniky pacientské identifikace.
Respirometrie, popis parametrů signálu. Požadavky na digitální zpracování a grafickou prezentaci.
Projekty:
Semestrální práce I.- Základní zpracovánání a zobrazení reálného biosignálu
Semestrální práce II. - Spektrální analýza signálu a jeho rekonstrukce
Semestrální práce III. - Topopografické mapování a CSA
Semestrální práce IV. - 3-NN učící se klasifikátor pro simulovaná data.
Počítačové laboratoře:
Úvod do zpracování biosignálů. Praktické ukázky EEG, EMG, ECG aktivity, epileptické paroxysmy, spánkové grafoelementy. Artefakty.
Statistické charakteristiky biosignálů. Praktická realizace algoritmů číslicového zpracovávání biosignálů. Programové vybavení. Uživatelský interface. Formáty dat.
Semestrální práce I. Načtení a zobrazení reálného biosignálu
Termín : 1 týden
Sběr a předzpracování biologických dat.Snímání dat v klasických a bezpapírových přístrojích. A/D převodníky Nyquistův teorém. Chyby při převodu. Úprava signálu.
Spektrální analýza I. Základní metody.Spektrální analýza a syntéza signálů pomocí FFT. Filtrace, odstaňování šumu. LDR algoritmus. Nevýhody periodogramu. Windowing.
Semestrální práce II. Spektrální analýza signálu pomocí FFT
Termín: 2 týdny
Topografické mapování elektrofyziologické aktivity. Demonstrace topografického mapování na umělých a klinických datech.Iterativní vytváření mapy. Animace.Úskalí mapování.
Spektrální analýza II. Aplikace. Aplikace CSA pro patologickou i spánkovou aktivitu. Koherenční analýza pro diagnostiku CMP.
Semestrální práce III. Topopografické mapování sítě 20 bodů (brain mapping)
Termín: 2 týdny
Adaptivní segmentace. Nastavení parametrů. Přednosti a omezení metod. Ukázky funkce segmentačních algoritmů.
Metody automatické klasifikace I. Učení bez učitele. Základní algoritmy shlukové analýzy na simulovaných datech. Ukázky klasifikace EEG dat. Použití fuzzy množin pro zvýšení homogenity tříd.
Analýza dlouhodobých signálů. Ukázka funkcí systému pro analýzu 24 hod monitorování. Sumární informace. Extrakce prototypů.
Extrakce komprimované informace z dlouhodobých záznamů.Aplikace na reálných datech, další metody, analýza spánkového grafu. Ukázka programu WaveFinder.
Automatická klasifikace II.Učící se klasifikátory. Předvedení základních algoritmů učících se klasifikátorů na simulovaných a datech. Použití fuzzy množin v k-NN klasifikátorech
Semestrální práce IV. 3-NN učící se klasifikátor pro simulovaná data.
Termín: 2 týdny
Automatická detekce epileptických hrotů I. Demonstrace komerčních programů: automatická detekce epileptických grafoelementů (Gotman). Ukázka programu pro analýzu dipólů (Scherg, FOCUS).
Předzpracování EKG signálu pomocí wavelet transformace: komprese, filtrace, odstranění artefaktů. Výpočet frekvenčních amplitudových a fázových spekter, výkonové spektrum signálu EKG. Určení korelační funkce a korelačního koeficientu u patologických a fyziologických záznamů.
Některé detekční algoritmy QRS komplexu - výpočet a porovnání, použití metody detekce R-R intervalů v závislosti na patologických stavech a případných variabilitách srdečního rytmu. Praktická demonstrace plně automatického hodnotícího systému signálu EKG na Krajské hygienické stanici v Ostravě.
(Exkurse v počítačové EEG laboratoři Neurologického oddělení FN Bulovka. Konzultace výsledků semestrálních prací.)
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky