Detail předmětu

Pokročilá analýza biologických signálů

FEKT-FACSAk. rok: 2018/2019

Předmět je orientován na multitaktní zpracování signálů, dále na principy a aplikace časově-frekvenční analýzy zaměřené zejména na různé typy vlnkových transformací, dále S-transformaci a empirický rozklad signálů.

Jazyk výuky

čeština

Počet kreditů

5

Garant předmětu

doc. Ing. Jiří Kozumplík, CSc.

Zajišťuje ústav

Ústav biomedicínského inženýrství (UBMI)

Výsledky učení předmětu

Absolvent předmětu je schopen:
- realizovat konverzi vzorkovacího kmitočtu
- vysvětlit principy a výhody filtrace s využitím konverze vzorkovacího kmitočtu
- realizovat různé typy vlnkových transformací
- vysvětlit principy filtrace a komprese dat vycházející z vlnkových transformací
- vysvětlit principy Stockwellovy transformace
- vysvětlit principy empirického rozkladu, Hilbertovy-Huangovy transformace

Prerekvizity

Student by měl mít znalosti z oblasti číslicového zpracování signálů. Měl by znát jednotlivé způsoby popisu lineárních filtrů (přenosová funkce, impulsní charakteristika, diferenční rovnice, frekvenční charakteristika). Předpokládají se základní znalosti o vlastnostech biosignálů (zejm. EKG, EEG, EMG). V laboratorní výuce se předpokládá znalost programového prostředí Matlab.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování zahrnují přednášky a cvičení na počítači. Předmět využívá e-learning. Student odevzdává jeden samostatný projekt.

Způsob a kritéria hodnocení

- až 40 bodů za řešení zadaných úkolů v laboratorním cvičení
- až 70 bodů za písemnou zkoušku

Osnovy výuky

1. Konverze vzorkovacího kmitočtu
2. Rychlé algoritmy číslicové filtrace s konverzí vzorkovacího kmitočtu
3. Časově-frekvenční analýza. Vlnkové transformace se souvislým časem (CTWT).
4. Vlnkové transformace s diskrétním časem (DTWT), dyadické a paketové DTWT
5. Využití CTWT při analýze biologických signálů
6. DTWT a ztrátová komprese signálů
7. Redundantní DTWT a filtrace biosignálů
8. Stockwellova transformace (S-transformace) a její využití
9. Empirický rozklad (EMD) signálů a jeho využití
10. Komplexní signály, Hilbertova a Hilbertova-Huangova transformace
11. Obálka a okamžitá frekvence signálu a jejich odhady
12. Aplikace pro mobilní telefon


Učební cíle

Získání znalostí o multitaktním zpracování signálů, vlastnostech a realizaci vlnkových transformací a možnostech jejich využití pro zpracování, analýzu různých typů biosignálů. Získání znalostí o Stockwellově transformaci (S-transformaci), empirickém rozkladu (EMD), Hilbertově-Huangově transformaci a o metodách odhadu okamžité frekvence signálu.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Laboratorní výuka je povinná, zmeškaná laboratorní cvičení musí být řádně omluvená a lze je nahradit po domluvě s vyučujícím.

Základní literatura

Kozumplík, J.: Multitaktní systémy. Elektronická skripta FEKT VUT v Brně, 2005 (CS)
Proakis,J.G., Manolakis,D.G.: Digital Signal Processing. Principles, Algorithms and Applications. Macmillan, 1992 (EN)

Zařazení předmětu ve studijních plánech

  • Program BTBIO-F magisterský navazující

    obor F-BTB , 1. ročník, zimní semestr, povinný

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1. ročník, zimní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

doc. Ing. Jiří Kozumplík, CSc.

Osnova

1. Sampling rate conversion
2. Design of multirate filters
3. Time-frequency analysis, continuous-time wavelet transform (CTWT)
4. Discrete-time wavelet transform (DTWT), dyadic and packet DTWT
5. Use of CTWT in analysis of biosignals
6. Use of DTWT in compression of biosignals
7. Shift-invariant DTWT and filtering of biosignals,
8. Stockwell transform (S-transform), theory and use
9. Empirical mode decomposition (EMD), principle and use
10. Complex signals, Hilbert transform, Hilbert-Huang transform
11. Signal envelope and instantaneous signal frequency, their estimates
12. Mobile phone applications

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

Ing. Andrea Němcová, Ph.D.
Ing. Radovan Smíšek, Ph.D.

Osnova

úvodní opakovací cvičení, zpracování signálů v Matlabu
konverze vzorkovacího kmitočtu
filtry s konverzí vzorkovacího kmitočtu
vlnková transformace v Matlabu, Wavelet Toolbox
DTWT s podvzorkováním, komprese signálů
DTWT bez podvzorkování, filtrace signálů
CWT, analýza signálů
aplikace pro mobilní telefon
řešení individuálních projektů