Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

Dr. Sztahó Dávid, tudományos munkatárs, TMIT

Dr. Kiss Gábor, tudományos munkatárs, TMIT

A tantárgy az alábbi témakörök ismereteit használja (nem szükséges ezek mély ismerete, az előadások során a szükséges elméleti alapokat áttekintjük): 

- MATLAB programozás

- Lineáris algebra

- Analízis

- Valószínűségszámítás, statisztika

A félév során az előadásokat mindig a hozzájuk kapcsolódó gyakorlatok követik. Ahol nincs külön jelezve, ott a gyakorlat mindig az előadáson megismert eljárások megvalósítása Matlab-ban. Az ettől eltérő gyakorlatok külön vannak jelezve.

1. hét: Az EEG mérésének biológiai és technológiai háttere, egyéb agyi jelek mérési módszerei (MEG, Ecog.). Agyi ritmusok, eseményhez kötött agyi potenciálok, artifactek.
Gyakorlat: ezen a héten nincs

2. hét: Bevezetés az EEG idő-frekvencia alapú analízisébe
Gyakorlat: Matlab alapok

3. hét: EEG jelek előfeldolgozási lépései, artifactek hatása, felismerése, és kiszűrése. EEG jelek idő-alapú analízise.
Gyakorlat: EEGLab alapok

4. hét: Frekvencia és idő-frekvencia alapú elemzések matematikai alapjai. Skalár szorzat, konvolúció, Fourier-transzformáció, Wavelet konvolúció, Hilbert transzformáció.

5. hét: Idő-frekvencia alapú teljesítménymérés, baseline normalizáció. Intertrial phase clustering, Laplace operátor, surface Laplacian alkalmazása az EEG elemzésben.

6. hét: Főkomponens elemzés. Független komponens elemzés. A forráslokalizálás alapjai

7. hét: Teljesítmény és fázis alapú kapcsoltság mérése. Granger kauzalitás.

8. hét: Kölcsönös információn alapuló kapcsoltság mérése. Keresztfrekvencia kapcsoltság. Gráf-elmélet alkalmazása az EEG jelek analízisében.

9. hét: Statisztikai tesztek az EEG jelek elemzése során.

10. hét: Az EEG jelek elemzésének dokumentálási tudnivalói. Az elemzések során felmerülő fő kérdések

11. hét: Klinikai kitekintés: akusztikai eseményhez kötött agyi potenciálok, otoakusztikus emisszió, BERA, intonációs kontúr válaszok
Gyakorlat: házi feladat kiadása, feladatok megbeszélése

12. hét: Bevezetés a gépi tanulásba
Gyakorlat: gépi tanuló algoritmusok a Matlab-ban

13. hét: Brain-Computer Interface (BCI) informatikai alapjai, gépi tanulás alkalmazása az EEG feldolgozása során
Gyakorlat: automatikus artifact szűrés gépi tanuló modellekkel

14. hét: Házi feladat bemutatás / Elővizsga

A hallgatók a szorgalmi időszak során egyedül házi feladatot készítenek, amelyen gyakorolhatják az órán megismert EEG jelek feldolgozási és kiértékelési eljárásait, megvalósítását és az órán tanult eszközök használatát. Ehhez egy meghatározott feladatsor megoldását kell elkészíteniük, amelyet a félév során ismertetünk. Az elkészített elemzést dokumentációkkal együtt a félév végén kell bemutatniuk, illetve a félév vége előtt lehetőség van az előrehaladás átbeszélésére, a felmerülő kérdések tisztázására.

A házi feladatok dokumentációja és a forráskódok karbantartása széles körben elterjedt, általános git rendszeren keresztül történik.

A hallgató a félév elismerését jelentő félév végi aláírást csak akkor kaphat, ha a házi feladata teljesíti a minimális követelményeket.

A vizsgaidőszakban: A tantárgy anyagából a hallgatók vizsgát tesznek. A félév végi osztályzatot a házi feladat (50%) és a vizsgajegy (50%) alapján kapják. A vizsgán a hallgatóknak el kell érniük a meghatározott minimum szintet (40%).

Elővizsga: Elővizsga tehető a szorgalmi időszak utolsó hetében.

Saeid Sanei: Adaptive Processing of Brain Signals, John Wiley & Sons, Ltd 2013

Cohen, Mike X. Analyzing neural time series data: theory and practice. MIT press, 2014.