IBL9

Lingua Insegnamento:

Italiano.
Testi di riferimento:

Practical Guide for Biomedical Signals Analysis Using Machine Learning Techniques: A MATLAB® Based Approach. Abdulhamit Subasi. Elsevier Academic Press R.M. Rangayyan, Biomedical signal analysis, IEEE Press, 2002;
Dispense e materiali fornite dal docente sulla piattaforma e-learning.
Obiettivi formativi:

Il corso fornisce le basi teoriche e metodologiche per l’analisi dei segnali biomedici nel dominio del tempo, della frequenza e tempo-frequenza, con particolare attenzione a:

acquisizione e digitalizzazione del segnale fisiologico;
filtraggio e preprocessing;
analisi spettrale;
estrazione di feature per diagnosi e monitoraggio;
introduzione all’analisi di segnali non stazionari.

Al termine del corso lo studente sarà in grado di:

modellare un segnale biomedico discreto;
applicare trasformate e filtri digitali;
interpretare risultati in chiave fisiologica;
implementare semplici algoritmi in MATLAB o Python.
Prerequisiti:

Conoscenza elementi di fisiologia, analisi matematica e fisica. Elementi di programmazione Matlab
Metodi didattici:

Il programma sarà sviluppato mediante lezioni frontali ed esercitazioni. E' prevista l'esecuzione di project work.
Modalità di verifica dell'apprendimento:

La verifica finale consiste in un test scritto a risposta multipla, aperta e risoluzione di semplici problemi. La verifica ha l’obiettivo di verificare la capacità dello studente di applicare le conoscenze metodologiche a scenari applicativi, in linea con i risultati di apprendimento previsti La valutazione attribuita allo studente sarà basata sui seguenti giudizi: una conoscenza di base sufficiente ma lacunosa (votazione 18-22/30), una conoscenza discreta con capacità di illustrare con chiarezza gli argomenti (23-25/30), buona capacità di illustrare gli argomenti con padronanza della materia (26-28/30), ottima conoscenza della materia muovendosi con dimostrando padronanza nell’organizzare conoscenze multidisciplinari, anche individuando connessioni e differenze tra i diversi metodi di anlaisi dei segnali (28-30/30). La lode è riservata a chi supera test scritto rispondendo correttamente a tutte le domande formulate. Il test è da completare in 120 minuti. I punteggi di ogni esercizio sono indicati nella consegna.
Sostenibilità:
Altre Informazioni:

Tutte le tecniche presentate nel corso dell'insegnamento vedranno un'applicazione pratica a segnali biologici reali. A tale scopo, verranno presentate le caratteristiche dei seguenti segnali biomedici: - ECG; - EEG; - EMG; - EGG; - fNIRS; - PPG. Per ogni tipologia di segnale verranno evidenziati i presupposti fisiologici e verranno introdotte le tecniche di elaborazione normalmente impiegate in clinica o nell'ambito di ricerca. RICEVIMENTO: Il docente riceve gli studenti il Martedi, dalle 13 alle 15, o previo appuntamento via email: arcangelo.merla@unich.it

1. Segnali Biomedici 2. Tecniche per l'acquisizione di segnali biomedici 2. Tipologie di segnali biomedici 3. Tecniche di elaborazione dei segnali biomedici 4. Analisi spettrali e per decomposizione 5. PCA-ICA 6. Filtri FIR-IIR

Modulo 1 – Richiami e fondamenti (6 ore)

Classificazione dei segnali biomedici (deterministici/stocastici, stazionari/non stazionari)
Segnali continui e discreti
Campionamento e Teorema di Nyquist-Shannon
Quantizzazione e rumore

Applicazioni: ECG, EMG, EEG, PPG, fNIRS
Modulo 2 – Analisi nel dominio del tempo (8 ore)

Parametri statistici: media, varianza, RMS
Autocorrelazione e cross-correlazione
Convoluzione
Risposta impulsiva di sistemi LTI

Esempi: analisi variabilità RR nell’ECG.

Modulo 3 – Analisi in frequenza (10 ore)

Serie e Trasformata di Fourier
DFT e FFT
Densità spettrale di potenza (PSD)
Interpretazione fisiologica dello spettro

Applicazioni:

Bande EEG (delta, theta, alpha, beta, gamma)
Spettro EMG
Analisi respiratoria

Modulo 4 – Filtraggio digitale (8 ore)

Filtri FIR e IIR
Progettazione filtri passa-basso, passa-alto, notch
Rimozione rumore di rete (50 Hz)
Filtraggio adattativo (cenni)

Esempio pratico: pulizia segnale ECG.

Modulo 5 – Analisi tempo-frequenza (8 ore)

STFT e spettrogramma
Introduzione alle wavelet
Segnali non stazionari
Applicazioni a EEG ed EMG dinamici

Modulo 6 – Feature extraction e introduzione al pattern recognition (8 ore)

Estrazione caratteristiche nel tempo e frequenza
Riduzione dimensionale (cenni a PCA)
Introduzione a classificazione supervisionata (cenni)
Collegamento con dispositivi medicali e AI

Attività di laboratorio (12 ore)

Esercitazioni in MATLAB / Python:

Simulazione campionamento
Calcolo FFT e PSD
Progettazione filtro digitale
Analisi spettrogramma