455-0090/01 – Processing Biological Signal (ZBS)
Gurantor department | Department of Measurement and Control | Credits | 4 |
Subject guarantor | Ing. Jitka Mohylová, Ph.D. | Subject version guarantor | Ing. Jitka Mohylová, Ph.D. |
Study level | undergraduate or graduate | Requirement | Choice-compulsory |
Year | | Semester | winter |
| | Study language | Czech |
Year of introduction | 1992/1993 | Year of cancellation | 2002/2003 |
Intended for the faculties | FEI | Intended for study types | Master |
Subject aims expressed by acquired skills and competences
Teaching methods
Summary
Characteristics of biological signals, coding data structures, digital signal processing - time domain and frequency domain - spectral analysis (Fourier analysis random (biological) signal and parametric spectrum analysis of random (biological) signal. Adaptive segmentation, automatic classifying biological signal - learning operations, cluster analysis. Neural networks.Applications of signal processing EKG,EEG.
Compulsory literature:
Recommended literature:
Way of continuous check of knowledge in the course of semester
Průběžná kontrola studia:
čtyři semestrální práce v požadovaných termínech
Podmínky udělení zápočtu:
cvičení maximálně 80 bodů
Pro udělení zápočtu musí student odevzdat do konce 15. týdne semestru všechny čtyři semestrální práce v požadovaných termínech. Každá semestrální práce je hodnocena 20 body.
E-learning
Other requirements
Prerequisities
Subject has no prerequisities.
Co-requisities
Subject has no co-requisities.
Subject syllabus:
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 hlavních komponent a neuronové sítě. Hebbovské učení. Multikanálové signály - komprese a rekonstrukce. Samoorganizující se metoda hlavních komponent (Doc. Ing. Vladimír Krajča, Csc).
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, základní algoritmy a výstupní data. Požadavky na digitální zpracování a grafickou prezentaci.
Obrazové signály. Průměty a sekvence vícedimenzionálních signálů. Konkrétní programové prostředky zpracování obrazů. Prezentace v diskrétní formě.
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 a syntéza 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 (Ing. Marek Penhaker,
Ph.D).
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.)
Conditions for subject completion
Occurrence in study plans
Occurrence in special blocks
Assessment of instruction
Předmět neobsahuje žádné hodnocení.