Вы здесь

17RMBPMA - Современные методы анализа и обработки

Код Конец обучения Кредиты Объем Язык обучения
17RMBPMA з. 2 1+1 русский
Лектор:
доц., к.н. Владимир Крайча; Глеб Германович Донин
Преподаватель практических занятий:
Глеб Германович Донин
Предмет обеспечивает:
Кафедра биомедицинской техники
Аннотация:

Способы возникновения, обнаружение и базовые параметры биосигналов, необходимые для диагностики. Методы и алгоритмы обработки и оценки наиважнейших биосигналов, предобработка, фильтрация, анализ во временной и частотной областях. Применение современных методов спектрального анализа. Отображение результатов, топографическое картирование, метод CSA. Адаптивная дискретизация нестационарных сигналов. Применение методов искусственного интеллекта. Методы автоматической классификации сигналов – обучение без учителя, кластерный анализ, обучаемые классификаторы. Нейронные сети. Практическое применение обработки биосигналов. Прикладное исследование применения ANN в эпилептических и неврологических записях. Генетические алгоритмы и тестовое выжигание

Требования:

Базовые навыки программирования (MATLAB), Биологические сигналы. Введение в сигналы и системы, Линейная алгебра и дифференциальные исчисления, Теория вероятностей и математическая статистика.

Максимальное число балов - 100. За решение задач на семинарах студент получает максимум 60, за экзаменационный тест, составленный по материалам лекций – 40 балов. Оценки: <50 F, 50-59 E, 60-69 D, 70-79 C, 80-89 B, 90-100 A.

План лекций:

1.Введение в обработку биосигналов. Мотивация. Характеристики основных биосигналов ЭЭГ, ЭКГ, ЭOГ, ЭП, ЭМГ. Спонтанная активность на ЭЭГ. Эпилептические пароксизмы, полиграфия сна (полисомнография). Артефакты. Причина, источники, использование в диагностике. Области применения.

2.Обзор базовых методов. Запись электрофизиологических биосигналов в нейрофизиологической лаборатории. Статистические характеристики биосигналов. Вероятность разложения. Стохастические процессы, анализ временных рядов. Не стационарность ЭЭГ. Частотный диапазон и пояс. Интерфейс пользователя. Форматы данных.

3.Спектральный анализ биосигналов I. – Базовые методы. Параметрические и непараметрические методы. Периодограм, AR модель. Алгоритм LDR. Практические проблемы оценки спектра. Круговой спектр, когеренция и фаза. Спектральный анализ и синтез сигналов с помощью FFT. Фильтрация, отстранение шумов. Минусы периодограммы. Windowing.

4.Спектральный анализ биосигналов II. - Применение. Метод CSA. Интергемисферическая и локальная когеренция. Картирование частотных диапазонов. Срединная синхронность и симметрия. Измерение фазы.

5.Цифровая фильтрация биосигнала, БИХ и КИХ фильтры.

6.Топографическое картирование электрофизиологической активности. Визуализация. Принцип brain mapping. Амплитудное и частотное картирование. Интерполяция. Интерактивное создание карты. Анимация. 3D-сплиновая интерполяция. Изопотенциальное картирование. Применение в клинической диагностике. Динамическое картирование. LORETA.

7.Адаптивная сегментация. Мотивация. Не стационарность биосигналов. Базовые методы. Мультиканальная on-line адаптивная сегментация. Извлечение признаков. Настройка параметров. Плюсы и минусы методов. Прочие алгоритмы сегментации.

8.Методы автоматической классификации I. Обучение без учителя. Метрики. Нормализация данных. Базовые алгоритмы кластерного анализа. Алгоритм K-средних. Иерархическая кластеризация Примеры классификации на тестовых данных, классификация данных ЭЭГ. Использование нечетких для повышения гомогенности классов. Оптимальное число классов. Ограничения кластерного анализа.

9.Автоматическая классификация II. – Обучаемые классификаторы. Сравнение особенностей контролируемого и неконтролируемого обучения. Пример базовых алгоритмов обучаемых классификаторов на тестовых и реальных данных On-line классификация. Классический и нечеткий k-NN классификатор. Сравнение с нейронными сетями.

10.Анализ длительных ЭЭГ сигналов. Иерархическая мнгоуровневая система обработки сигналов. Автоматическая идентификация значимых графоэлементов. Суммарная информация. Извлечение прототипов. Извлечение сжатой информации. Полисомнография. Применение автоматизированного анализа длительных записей в эпилептологии, неонатологии и при анализе сна. Структурные временные профили.

11.Автоматическое обнаружение эпилептических вершин. Обзор. Интериктальная и припадочная эпилептическая активность. Обратная AR фильтрация. Корреляционный анализ, шаблоны. Детектор Готмана. Первая и вторая производная, параметризация видов волны. Определение эпилептического возбуждения. Автоматический детектор вершин на основе фильтрации медиан. Аритмический детектор. Комбинированный детектор. Метод главных компонентов и классическая фильтрация для обнаружения.

12.Нейронные сети и обработка сигналов. Метод главных составляющих и нейронные сети. Геббовское обучение. Мультиканальные сигналы – компрессия и реконструкция. Самоорганизующийся метод главных составляющих. Пример обучения нейронной сети. Приложение для фильтрации, обнаружения эпилептических графоэлементов и сжатия данных. Анализ независимых компонент и удаление артефактов.

13.Прочие сигналы нервной системы. Воспроизводимые потенциалы, VEP, AEP, SEP, BAEP, MEP

14.Прикладное исследование применения ANN в эпилептических и неврологических записях. Генетические алгоритмы и тестовое выжигание

План практических занятий:

1.MATLAB. Функции обработки и преобразования сигнала

2.Загрузка ЭЭГ сигнала

3.Форматы и структура данных ЭЭГ приборов

4.Отображение и манипуляция с полиграфическими сигналами

5.Спектральный анализ и синтез. Цифровая фильтрация сигнала

6.Отображение результата спектрального анализа, метод CSA.

7.Амплитудный и частотный Brain Mapping

8.Обучаемый классификатор, тестовые данные

Цель курса:

Понимать и уметь применять современные методы обработки нейрофизиологических биосигналов

Рекомендуемая литература:

Рекомендованная литература

• А. Барсегян. Методы и модели анализа данных OLAP и DataMining / ISBN 5-94157-522-X

• Т. Сегаран. Программируем коллективный разум / ISBN 5-93286-119-3

Материалы для загрузки:

практических занятий: