BIOLOGICKÉ SIGNÁLY. Pokroky v EEG. doc. Ing. Vladimír Krajča, CSc. ČVUT FBMI, katedra biomedicínské techniky
|
|
- Stanislav Blažek
- před 9 lety
- Počet zobrazení:
Transkript
1 BIOLOGICKÉ SIGNÁLY Pokroky v EEG doc. Ing. Vladimír Krajča, CSc. ČVUT FBMI, katedra biomedicínské techniky Vladimir.Krajca@FBMI.CVUT.cz 1
2 Cíle kursu Proniknout do principů a praktického nasazení základních a pokročilých metod číslicového zpracování biologických signálů 2
3 Praktická práce biomedicínského inženýra v EEG/EMG laboratoři zahrnuje Zobrazení a analýzu reálných signálů v uživatelsky přístupné formě využitelné lékaři Tvorbu příslušného software Ve výzkumu lze užít i MATLAB 3
4 Co je k tomu potřeba umět a znát? 1. Načíst binární digitalizovaný biosignál znát formát dat (header, data) 2. Zobrazit signál graficky na displeji C++, Java, Matlab 3. Vybrat a realizovat vhodnou analytickou funkci Digital signal processing - Artificial Intelligence -Spectrum Analysis -Patter recognition Zobrazit výsledky opět graficky i numericky 4
5 Podklady ke studiu na webu password: signaly Obsah : e-learningové kurzy (zatím z roku 2011, 14 lekcí, 6 animací) Vybrané publikace z mezinárodních konferencí a časopisů Video-záznam EEG v laboratoři fakultní nemocnice Podmínky a termíny zkoušek (ale přihlášení v KOSu) e-learningové skriptum Mohylová J., Krajča V. Zpracování signálů v lékařství, Ostrava 2007 Animované příklady (některé v DOSu), Programy pro simulaci filtrů, brain mapping, cluster analysis Korespondenční úkoly a jejich odevzdávání atd. 5
6 Skripta k předmětu Krajča V., Mohylová J., Číslicové zpracování neurofyziologických signálů. ČVUT Praha,
7 Metody počítačové elektroencefalografie realizované v EEG laboratoři FN Na Bulovce ORIENTAČNÍ PŘEHLED 7
8 Osnova 1. Úvod co je to elektroencefalogram 2. Problémy vizuálního hodnocení 3. Výběr metod k řešení 4. Nasazení do praxe a přínosy metod 5. Publikace, učební texty 6. Témata diplomových prací 8
9 1. Co je to elektroencefalogram (EEG)? složitý elektrický biosignál, měří se elektrodami na povrchu lebky (µv) odráží elektrickou aktivitu činnosti mozku na rozdíl od strukturálních metod (CT) zobrazuje funkční projevy základní diagnostický nástroj pro léčbu epilepsie a analýzu spánku projevují se v něm stavy vědomí, poruchy mozkové činnosti, spánkové stavy, komatózní stavy, léze 9
10 1.a. Základní aktivita - vlny, grafoelementy Hlavní frekvenční pásma pro diagnózu Delta Hz - u dětí, hluboký spánek, nádory Theta 4-8 Hz - normální Alfa 8-13 Hz - při bdělém stavu, zavřené oči Beta Hz - normální, pozornost- neklid, bolesti Grafoelementy epileptické abnormality - hroty, komplexy hrot vlna hrot - přechodný jev, jasně odlišený od aktivity pozadí, šířka 70 msec, s špičatým vrcholem Artefakty Chyby v záznamu způsobené fyziologickými a vnějšími vlivy. Nutno odstranit, vyloučit ze zpracování. 10
11 1.b. Ukázky EEG grafů Epileptické hroty Amplitudový artefakt 11
12 2. Problémy vizuálního hodnocení - proč nasazovat počítače 1. Vizuální interpretace subjektivní více umění než věda - hodnocení zavisí na délce praxe, osobnosti učitele výchova odborníků obtížná (zrání až 5 let) namáhavé, vyžaduje stálou pozornost 2. Délka záznamu ambulantní záznam - 20 minut - nemusí se projevit epileptická aktivita nutnost dlouhodobého monitorování 24 hodin a více analýza spánku - 8 hodin = 864 m papíru 3. Archivace - DVD 4. Následné zpracování dat (změna montáží, filtrace, nelze u papírových ) 5. Nutnost numericky kvantifikace EEG 12
13 2.a. Cíle počítačové analýzy Podpora lékařova hodnocení Rozšíření jeho schopností poskytnutím objektivních dat Prezentace dat v názorném grafickém tvaru Rozlišení normální/abnormální aktivity Klasifikace záznamů Hodnocení trendů Redukce a archivace dat Kvantifikace - zjištění přesné hodnoty dominantní frekvence Zjištění a extrakce skryté informace nepostižitelné pouhým okem Usnadnění orientace v dlouhodobých záznamech - soustředění pozornosti na zajímavé úseky a přeskočení nezajímavé aktivity 13
14 Základní kroky DSP Převod signálu do počítače Načtení binárních dat Zobrazení dat v uživatelsky přístupné formě využitelné lékaři Analýza dat Zobrazení výsledků analýzy 14
15 3. Metody: Dlouhodobé x detailní zpracování Dlouhodobé EEG detekce významných událostí hledání významných grafoelementů sledování trendů klasifikace spánkových stavů detekce epileptických hrotů detekce záchvatů Detailní analýza topografické mapování výkonu frekvenčních pásem mapování lokální koherence posuv ve spektru rozklad na zdrojové a šumové složky analýza dipólů fázové spektrum - lokalizace epi ložiska 15
16 4. Přehled metod LORETA CORDANCE NEONATAL SLEEP ANALYSIS Photic driving 3D PROJECTION POWER SPECTRUM LOCAL COHERENCE PCA SEGMENT ATION ARTEFACT ELIMINATION PHASE MAPPING WAVE FINDER SPIKE DETECTION CSA BRAIN MAPPING PRINCIPAL COMPONENT ANALYSIS INDEPENDENT COMPONENT ANALYSIS SPECTRUM ANALYSIS LONG - TERM PROCESSING NEURAL NETWORKS DETAILED ANALYSIS PRE - PROCESSING DIGITAL FILTERING TRENDS REMOVING EEG SIGNAL
17 4.1. Spolupráce Cooperation with ČVUT and ÚPMD Cooperation with SZÚ Cooperation with Psychiatric Center LORETA CORDANCE Cooperation with Technical University Ostrava NEONATAL SLEEP ANALYSIS Photic driving 3D PROJECTION POWER SPECTRUM LOCAL COHERENCE PCA SEGMENT ATION ARTEFACT ELIMINATION PHASE MAPPING WAVE FINDER SPIKE DETECTION CSA BRAIN MAPPING PRINCIPAL COMPONENT ANALYSIS INDEPENDENT COMPONENT ANALYSIS SPECTRUM ANALYSIS Cooperation with Academy of Science LONG - TERM PROCESSING NEURAL NETWORKS DETAILED ANALYSIS PRE - PROCESSING DIGITAL FILTERING TRENDS REMOVING EEG SIGNAL 17
18 Příklady zpracování - filtrace signálu 18
19 Signál po filtraci FIR filtrem 19
20 Spektrální složky Signál + šum 50 Hz Filtrace Hz 20
21 5. Spektrální analýza Zjišťování frekvenčních složek EEG v úseku signálu ve všech EEG svodech/ v jenom kanálu Pro jednotlivé spektrální čáry i v EEG pásmech 21
22 Spektrální analýza EEG 1 kanál 22
23 Spektrální analýza 3D projekce - sférické splajny 23
24 6. Case report (případová studie): Mapování lokální koherence - informace neviditelná pouhým okem Lokální koherence indikátor vzájemné korelace (spolupráce) sousedních oblastí mozkové kůry ve frekvenční oblasti Interhemisferická koherence hraje významnou roli při analýze interhemisferální synchronizace Dá se využít i při kvantitativním hodnocení ložiskových lézí mozku, u veličin, které nejsou při vizuálním hodnocení zřetelné 24
25 Princip mapování amplitudy V Conversion of numbers into color scale a) b) V 1. iteration 2. iteration Topographic map Average from four neigbours The new points are included into computing c)... till the whole area is covered 25
26 Schéma lokální koherence (normalizované křížové spektrum) auto-spectrum G ( f ) x E X ( f ) X ( f ) Cross-spectrum (křížové, vzájemné) G ( f ) xy E X ( f ) Y ( f ) magnitude squared coherence (výkonová) COH xy G 2 xy G G x y amplitude coherence COH xy G G x xy G y 26
27 Příklady: Ischémie l.dx vpravo (EEG závěr: bez průkazných ložiskových změn) Frekvenční mapy - není zřetelná asymetrie Mapování lokální koherence - ložisko temporálně vpravo v souladu s CT 27
28 CMP - pravostranná hemiparéza (symptom vlevo) 28
29 7. Analýza/monitorování dlouhodobých EEG záznamů : CSA - spektrální kulisy CSA compressed spectral arrays Seřazení spektrálních křivek z 2 sec úseků jako kulisy v divadle Visualizace trendů a posuvu ve spektru u dlouhodobých záznamů a monitorování 29
30 7. Analýza dlouhých záznamů CSA: příklad - epileptický záchvat 30
31 8. Case study: Photic driving u pracovníků vystavených rtuťovým parám spolupráce s Doc. Urbanem, SZÚ Photic driving reakce EEG na fotostimulaci pro různé frekvence stroboskopu (vybudí se odezva pro harmonické složky stimulace). Cílem zjistit potenciál CSA pro indikaci PD u raných neurotoxických efektů u dělníků vystavených parám rtuti. Změny u PD ve srovnání s kontrolní skupinou ještě před klinickými obtížemi 31
32 CSAs in a person with well expressed photic driving Background activity Driving on the fundamental frequency Driving on the 1 st harmonic frequency Driving on the 2 nd harmonic frequency 32
33 Protokol generovaný počítačem Kvantitativní parametry 33
34 9. Analýza dlouhých záznamů: identifikace významných grafoelementů Hierarchický systém automatizovaného zpracovávání EEG segmentace extrakce příznaků automatická klasifikace visualizace a kvantifikace 34
35 Blokové schéma systému WF hierarchický systém IDENTIFIKACE SIGNIFIKANTNÍCH GRAFOELEMENTU VYMEZENÍ VÝZNAMNÝCH ČÁSTÍ EEG EXTRAKCE ZHUŠTĚNÉ INFORMACE SUMÁRNÍ INFORMACE STATISTIKA PRESENTACE VÝSLEDKŮ KLASICKÁ TEORIE MNOŽIN KLASIFIKACE SHLUKOVÁ ANALÝZA UĆÍCÍ SE KLASIFIKÁTOR TEORIE FUZZY MNOŽIN EXTRAKCE PŘÍZNAKŮ ADAPTIVNÍ SEGMENTACE 35
36 Vlastnosti systému Nástroj pro předzpracování velkých souborů dat (24 hod) Má lékaře upozornit, že se v signálu něco děje - lékař si závěr udělá sám Snaží se imitovat práci lékaře při hodnocení EEG Neklade si za cíl absolutní přesnost - pokud detekuje 10 % událostí, z nichž 5% jsou artefakty přesto je velká úspora času pro 24 hodinový záznam Schopný nasazení v klinické praxi (interface uživatelsky přístupný pro lékaře) Důraz na grafickou prezentaci výsledků Transparentní - kdykoliv je možné prohlížet originální signál a volit mezi prohlížením odvozených grafů - profilů a přeskakovat mezi vypočtenými charakteristikami a originálním záznamem. 36
37 Základ: Adaptivní segmentace na základě dvou spojených oken 1 dvě spojená okna hranice segmentu EEG není stacionární, je po částech stacionární. Pevné úseky nerespektují charakter signálu Proto - snaha rozdělit jej na úseky proměnné délky v závislosti na výskytu nestacionarit (EEG grafoelementů) Řešení: Adaptivní segmentace (Bodenstein a Praetorius, Krajča, Varri) : 2 míra rozdílu oken mez 3 lokální maximum 1. Po signálu kloužou dvě spojená okna 2. Z rozdílu charakteru signálu v obou oknech se určí odchylka od stacionarity. 3. Hranice segmentu je umístěna v místech lokálních maxim této odchylky 37
38 Příklad adaptivní segmentace jednoho kanálu EEG signál a hranice segmentů Amplitudová míra diference oken Frekvenční míra Celková míra diference a mez pro segmentaci 38
39 Příklad multikanálové adaptivní segmentace HRANICE SEGMENTU ČÍSLO TŘÍDY 39
40 Příklad barevné identifikace epileptických grafoelementů klasifikace pomocí shlukové analýzy 40
41 Extrakce příznaků klasifikace se má blížit vizuálnímu hodnocení lékaře proto - zvolena sada deseti příznaků popisujících frekvenční i časové parametry grafoelementů: variance amplitudy v segmentu rozdíl maximální positivní a minimální negativní hodnoty amplitudy v segmentu hodnoty amplitudy signálu v delta, theta, alfa, beta1 a beta2 frekvenčních pásmech maximální hodnota první derivace signálu v segmentu (úměrná sklonu křivky grafoelementu) maximální hodnota druhé derivace signálu v segmentu (úměrná špičatosti křivky) průměrná hodnota frekvence v segmentu. 41
42 Automatická klasifikace - metody on-line a off-line zpracování klasické i fuzzy Motivace - snaha odhalit strukturu, která může být skryta v datech, identifikovat EEG grafoelementy. Metody pro třídění detekovaných EEG grafoelementů do typových tříd: SHLUKOVÁ ANALÝZA hledá přirozenou strukturu dat (pokud existuje) učení bez učitele - žádná a priori informace o datech data v tomtéž shluku (třídě) jsou si v určitém smyslu bližší než data v různých shlucích příznakově orientovaná metoda klasifikace; příznaky - popisují daný klasifikovaný objekt neumožňuje on-line klasifikaci (nelze klasifikovat segmenty které teprve přijdou) 42
43 Automatická klasifikace - metody on-line a off-line zpracování klasické i fuzzy UČÍCÍ SE KLASIFIKÁTOR porovnává nový objekt s prototypem (identifikován učitelem ve fázi učení) problémy s objekty, na které systém nebyl naučen ve fázi učení lze použít shlukovou analýzu pro definici etalonů Metody klasické i pomocí neuronových sítí Oba typy metod mohou využívat KLASICKOU i FUZZY teorii množin 43
44 Princip algoritmu k-means (k-středů) 1a. Náhodně vybereme středy tříd - prototypy (mohou být přímo data) 1b. Vypočteme vzdálenosti všech objektů od každého středu 2. Objekt přiřadíme (klasifikujeme) do té třídy, k jejímuž středu má nejblíže 3. Přepočteme středy nových tříd - těžiště 4. Pokud jsme nedosáhli optima, vracíme se na bod 1b. Vypočteme vzdálenosti od středů. 44
45 Klasické množiny Klasické a fuzzy množiny neumožňují sdílení členství objektu v různých třídách objekt patří/nepatří do třídy (množiny) černobílý pohled Fuzzy (nezřetelné) množiny dovolí vícenásobné sdílení s různým stupněm členství X={ x 1, x 2,...x N }, je množina objektů. Klasická množina Fuzzy množina charakteristická funkce u A : X - > {0,1} zobecnění u A : X -> <0,1> 1, x k A i u Ai (x k ) = { u Ai (x k )=u ik fuzzy členství 0, x k A i 45
46 Fuzzy sets FUZZY TŘÍDĚNÍ KLASICKÉ (HARD) TŘÍDĚNÍ 70 JABLKA 30 VIŠNĚ OVOCNÉ MOŠTY 70 JABLKA? 30 VIŠNĚ JABLKA VIŠNĚ ŠVESTKY Třída 1 Třída 2 Třída JABLKA VIŠNĚ ŠVESTKY Třída 1 Třída 2 Třída proměnný stupeň členství v intervalu patří do třídy 1... nepatří smíšený objekt může patřit do různých tříd s různým stupněm členství smíšený objekt musí být zařazen do jedné z tříd 46
47 Automatická klasifikace EEG grafoelementů Motivace - snaha odhalit strukturu, která může být skryta v datech, identifikovat EEG grafoelementy. Metoda shluková analýza hledá přirozenou strukturu dat učení bez učitele - žádná a priori informace o datech data v tomtéž shluku (třídě) jsou si v určitém smyslu bližší než data v různých shlucích příznakově orientovaná metoda klasifikace; příznaky - popisují daný klasifikovaný objekt 47
48 Příklad klasifikace klasické Klasická třída č.5. Klasická třída č. 6 obsahující objekty typu třídy 5 (řádek 7). 48
49 Zhuštěná sumární informace Typické, reprezentativní segmenty (nejblíže těžišti) a jejich procentuální zastoupení - multikanálová sumární informace Časový profil ukazuje členství segmentu ve třídě v průběhu času Třídy seřazeny podle velikosti amplitudy Barva - indikuje třídu segmentu v originálním EEG záznamu 49
50 Strukturální schématický popis EEG časový profil záznamu Lékař má k dispozici efektivní nástroj, umožňující pomocí kursoru vybrat příslušnou část originálního záznamu a pokračovat v prohlížení. Buďto v časové oblasti EEG, nebo ve schematickém diagramu. K tomu může zobrazit sumární multikanálovou informaci o typu EEG aktivity 50
51 Srovnání s dalšími metodami - CSA - metoda zhuštěných spektrálních kulis - informace pouze ve frekvenční oblasti-ztrácíme tvar grafoelementů 51
52 Příklad detekce spánkových stavů novorozence pomocí vyhlazení časových profilů (120 min záznamu) VISUAL EVALUATION AWAKE QUIET SLEEP ACTIVE SLEEP QUIET SLEEP ACTIVE SLEEP QSLEEP AWAKE 52
53 Vybrané publikace v časopisech s impakt faktorem - 53
RÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI. v oboru KLINICKÁ TECHNIKA SE ZAMĚŘENÍM NA ANALÝZU A ZPRACOVÁNÍ BIOSIGNÁLŮ.
RÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI v oboru KLINICKÁ TECHNIKA SE ZAMĚŘENÍM NA ANALÝZU A ZPRACOVÁNÍ BIOSIGNÁLŮ pro BIOMEDICÍNSKÉ TECHNIKY 1. Cíl specializačního vzdělávání
VíceRÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI. v oboru KLINICKÉ INŽENÝRSTVÍ SE ZAMĚŘENÍM NA ANALÝZU A ZPRACOVÁNÍ BIOSIGNÁLŮ.
RÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI v oboru KLINICKÉ INŽENÝRSTVÍ SE ZAMĚŘENÍM NA ANALÝZU A ZPRACOVÁNÍ BIOSIGNÁLŮ pro BIOMEDICÍNSKÉ INŽENÝRY 1. Cíl specializačního vzdělávání
VíceProcessing of EEG Data Marek Penhaker Konference IT4Innovations, Ostrava 21. 10. 2013
Processing of EEG Data Marek Penhaker Konference IT4Innovations, Ostrava 21. 10. 2013 Podstata biologických signálů Signál nosič informace Biosignál signál, který je generovaný živým organismem Rozdělení
VíceZPRACOVÁNÍ A ANALÝZA BIOSIGNÁLŮ V. Institut biostatistiky a analýz
ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁLŮ V. ELEKTROENCEFALOGRAM ELEKTROENCEFALOGRAM ELEKTROENCEFALOGRAM (EEG) je (grafická) reprezentace časové závislosti rozdílu elektrických potenciálů, snímaných z elektrod umístěných
Více8. PŘEDNÁŠKA 20. dubna 2017
8. PŘEDNÁŠKA 20. dubna 2017 EEG systém rozložení elektrod 10/20 základní typy zapojení požadavky na EEG přístroj analýza EEG a způsoby zobrazení ontogeneze normální EEG úvod ke cvičení montáž, filtrace,
VíceMěření EEG, spánek, hodnocení EEG záznamů a následná vizualizace
Měření EEG, spánek, hodnocení EEG záznamů a následná vizualizace Václav Gerla, Josef Rieger, Lenka Lhotská, Vladimír Krajča ČVUT, FEL, Katedra kybernetiky, Technická 2, Praha 6 Fakultní nemocnice Na Bulovce,
VíceLaboratorní úloha č. 8: Elektroencefalogram
Laboratorní úloha č. 8: Elektroencefalogram Cíle úlohy: Rozložení elektrod při snímání EEG signálu Filtrace EEG v časové oblasti o Potlačení nf a vf rušení o Alfa aktivita o Artefakty Spektrální a korelační
VíceAnotace. Klíčová slova: 1. Úvod
Vladana Djordjevic, Václav Gerla, Lenka Lhotská, Vladimír Krajča 28 MULTIMEDIÁLNÍ PODPORA VE VÝUCE BIOMEDICÍNSKÉHO INŽENÝRSTVÍ Vladana Djordjevic, Václav Gerla, Lenka Lhotská, Vladimír Krajča Anotace Tento
VíceElektroencefalografie
Elektroencefalografie EEG vzniká součinností neuronů thalamu a kortexu thalamus - funkce generátoru rytmů hlavní zdroj EEG - elektrická aktivita synaptodendritických membrán v povrchních vrstvách kortexu
VíceElektroencefalografie. X31LET Lékařská technika Jan Havlík Katedra teorie obvodů
Elektroencefalografie X31LET Lékařská technika Jan Havlík Katedra teorie obvodů xhavlikj@fel.cvut.cz Elektroencefalografie diagnostická metoda, umožňující snímání a záznam elektrické aktivity mozku invazivní
Více10. PŘEDNÁŠKA 27. dubna 2017 Artefakty v EEG Abnormální EEG abnormality základní aktivity paroxysmální abnormality epileptiformní interiktální
10. PŘEDNÁŠKA 27. dubna 2017 Artefakty v EEG Abnormální EEG abnormality základní aktivity paroxysmální abnormality epileptiformní interiktální iktální periodické Evokované potenciály sluchové (AEP) zrakové
VíceElektroencefalografie. X31ZLE Základy lékařské elektroniky Jan Havlík Katedra teorie obvodů
Elektroencefalografie X31ZLE Základy lékařské elektroniky Jan Havlík Katedra teorie obvodů xhavlikj@fel.cvut.cz Elektroencefalografie diagnostická metoda, umožňující snímání a záznam elektrické aktivity
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
VíceRÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI. v oboru KLINICKÁ TECHNIKA SE ZAMĚŘENÍM NA LABORATORNÍ ZDRAVOTNICKÉ PŘÍSTROJE.
RÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI v oboru KLINICKÁ TECHNIKA SE ZAMĚŘENÍM NA LABORATORNÍ ZDRAVOTNICKÉ PŘÍSTROJE pro BIOMEDICÍNSKÉ TECHNIKY 1. Cíl specializačního vzdělávání
VíceElektrofyziologické metody a studium chování a paměti
Elektrofyziologické metody a studium chování a paměti EEG - elektroencefalogram Skalpové EEG Intrakraniální EEG > 1 cm < 1 cm Lokální potenciály Extracelulární akční potenciály ~ 1 mm ~ 1 um EEG - elektroencefalogram
VíceElektroencefalografie v intenzivní péči. Petr Aulický
Elektroencefalografie v intenzivní péči Petr Aulický Elektroencefalografie (EEG) Metoda pro vyšetření mozkové elektrické aktivity Hlavní význam v epileptologii Pomocná metoda nutná korelace s klinickým
VíceÚvod do medicínské informatiky pro Bc. studium. 6. přednáška
Metody zpracování biosignálů 6. přednáška 1 Biosignály Živé objekty produkují signály biologického původu. Tyto signály mohou být elektrické (např. elektrické potenciály vznikající při svalové činnosti),
VíceSIMULTÁNNÍ EEG-fMRI. EEG-fMRI. Radek Mareček MULTIMODÁLNÍ FUNKČNÍ ZOBRAZOVÁNÍ. EEG-fMRI. pozorování jevu z různých úhlú lepší pochopení
SIMULTÁNNÍ Radek Mareček MULTIMODÁLNÍ FUNKČNÍ ZOBRAZOVÁNÍ pozorování jevu z různých úhlú lepší pochopení některé jevy jsou lépe pozorovány pomocí jedné modality, pozorovatele však zajímá informace obsažená
VíceROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA
VíceRÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI. v oboru KLINICKÉ INŽENÝRSTVÍ SE ZAMĚŘENÍM NA DIAGNOSTICKÉ ZDRAVOTNICKÉ PŘÍSTROJE
RÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI v oboru KLINICKÉ INŽENÝRSTVÍ SE ZAMĚŘENÍM NA DIAGNOSTICKÉ ZDRAVOTNICKÉ PŘÍSTROJE pro BIOMEDICÍNSKÉ INŽENÝRY 1. Cíl specializačního vzdělávání
Více6.4 Zpracování elektroencefalografických záznamů pomocí umělých neuronových sítí
PŘÍKLADY APLIKACÍ NEURONOVÝCH SÍTÍ 136 Důležité je, jako ve všech úlohách, ve kterých aplikujeme UNS, předzpracování dat. Do oblasti predikce časových řad patří např. systémy pro odhad vývoje zahraničního
VíceRÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI. v oboru KLINICKÝ INŽENÝR PRO TERAPEUTICKÉ ZDRAVOTNICKÉ PŘÍSTROJE
RÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI v oboru KLINICKÝ INŽENÝR PRO TERAPEUTICKÉ ZDRAVOTNICKÉ PŘÍSTROJE 1. Cíl specializačního vzdělávání Cílem specializačního vzdělávání ve
VíceBioelektromagnetismus. Zdeněk Tošner
Bioelektromagnetismus Zdeněk Tošner Bioelektromagnetismus Elektrické, elektromagnetické a magnetické jevy odehrávající se v biologických tkáních elektromagnetické vlastnosti tkání chování vzrušivých tkání
VíceEvokované potenciály. Principy, možnosti a meze, indikace. Doc. MUDr. Pavel Urban, CSc.
Evokované potenciály Principy, možnosti a meze, indikace Doc. MUDr. Pavel Urban, CSc. Rozdělení evokovaných potenciálů Podle typu podnětu Podle doby vzniku Podle lokalizace generátorů Near-field x far-field
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VíceOKRUHY MODELOVÝCH SITUACÍ
OKRUHY MODELOVÝCH SITUACÍ k atestační zkoušce z praktické části vzdělávání v atestačním oboru Klinické inženýrství se zaměřením Zpracování a analýza biosignálů 29 úloh Obsah atestační zkoušky odpovídá
VícePRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA)
PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA) Reprezentativní náhodný výběr: 1. Prvky výběru x i jsou vzájemně nezávislé. 2. Výběr je homogenní, tj. všechna x i jsou ze stejného
VíceSIMULTÁNNÍ EEG-fMRI. Radek Mareček
SIMULTÁNNÍ EEG-fMRI Radek Mareček MULTIMODÁLNÍ FUNKČNÍ ZOBRAZOVÁNÍ pozorování jevu z různých úhlú lepší pochopení některé jevy jsou lépe pozorovány pomocí jedné modality, pozorovatele však zajímá informace
VíceBiomedicínské inženýrství na ČVUT FEL
Biomedicínské inženýrství na ČVUT FEL Přehled pracovišť katedra fyziky elektrotechnologie elektromagnetického pole teorie obvodů kybernetiky mikroelektroniky počítačů měření témata fyzikální metody v medicíně
VíceAnalýza dat v GIS. Dotazy na databáze. Překrytí Overlay Mapová algebra Vzdálenostní funkce. Funkce souvislosti Interpolační funkce Topografické funkce
Analýza dat v GIS Dotazy na databáze Prostorové Atributové Překrytí Overlay Mapová algebra Vzdálenostní funkce Euklidovské vzdálenosti Oceněné vzdálenosti Funkce souvislosti Interpolační funkce Topografické
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz LITERATURA Holčík, J.: přednáškové prezentace Holčík, J.: Analýza a klasifikace signálů.
VíceINFORMAČNÍ TECHNOLOGIE PRO ZPRACOVÁNÍ EEG I
INFORMAČNÍ TECHNOLOGIE PRO ZPRACOVÁNÍ EEG I PRAKTICKÉ ZKUŠENOSTI Z PRÁCE S INFORMACEMI NA NEUROLOGICKÉM ODDĚLENÍ VE FN NA BULOVCE doc. Ing. Vladimír Krajča CSc. 1. Zadání úkolu- 2. Hierarchie a vazby systému
VíceKatedra biomedicínské techniky
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA BIOMEDICÍNSKÉHO INŽENÝRSTVÍ Katedra biomedicínské techniky BAKALÁŘSKÁ PRÁCE 2008 Jakub Schlenker Obsah Úvod 1 1 Teoretický úvod 2 1.1 Elektrokardiografie............................
VíceVYŠETŘENÍ NERVOVÉHO SYSTÉMU. seminář z patologické fyziologie
VYŠETŘENÍ NERVOVÉHO SYSTÉMU seminář z patologické fyziologie Osnova Morfologické vyšetřovací metody (zobrazovací diagnostika) 1 Počítačová (výpočetní) tomografie 2 Pozitronová emisní tomografie (PET) 3
Vícev Praze mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9
České vysoké učení technické v Praze Algoritmy pro měření zpoždění mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9 31. března 23 Obsah 1 Zadání 1 2 Uvedení do problematiky měření zpoždění signálů 1
VíceSPM SPECTRUM NOVÁ UNIKÁTNÍ METODA PRO DIAGNOSTIKU LOŽISEK
SPM SPECTRUM NOVÁ UNIKÁTNÍ METODA PRO DIAGNOSTIKU LOŽISEK V této části prezentujeme výsledky použití metody SPM Spectrum (Shock Pulse Method Metoda rázových pulsů) jako metody pro monitorování stavu valivých
VícePokročilé operace s obrazem
Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání
VíceDolování z textu. Martin Vítek
Dolování z textu Martin Vítek Proč dolovat z textu Obrovské množství materiálu v nestrukturované textové podobě knihy časopisy vědeckéčlánky sborníky konferencí internetové diskuse Proč dolovat z textu
VíceDiagnostika infarktu myokardu pomocí pravidlových systémů
pomocí pravidlových systémů Bakalářská práce 2009 pomocí pravidlových systémů Přehled prezentace Motivace a cíle Infarkt myokardu, EKG Pravidlové systémy Výsledky Motivace Infarkt myokardu Detekce infarktu
VíceAnalýza a zpracování digitálního obrazu
Analýza a zpracování digitálního obrazu Úlohy strojového vidění lze přibližně rozdělit do sekvence čtyř funkčních bloků: Předzpracování veškerých obrazových dat pomocí filtrací (tj. transformací obrazové
VíceANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ
ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM
VíceSituace v dalším vzdělávání v kraji Vysočina s důrazem na malé a střední podniky. Vítězslav Šeda, OHK Jihlava
Situace v dalším vzdělávání v kraji Vysočina s důrazem na malé a střední podniky Vítězslav Šeda, OHK Jihlava Možnosti vzdělávání se zejména v kategorii dalšího vzdělávání v kraji Vysočina rozšířily zejména
VíceADASH spol. s r.o FASIT. Informační list
Informační list FASIT Nový expertní systém pro DDS 2007 V programu DDS 2007 je implementováno několik systémových nástrojů nazývaných "FASIT" (Fault Source Identification Tools). Tyto funkce slouží uživateli
VíceKlasifikace hudebních stylů
Klasifikace hudebních stylů Martin Šimonovský (mys7@seznam.cz) Rozpoznávání hudby úloha z oblasti DSP klasifikace dle hudebních stylů
VíceVOLBA ČASOVÝCH OKEN A PŘEKRYTÍ PRO VÝPOČET SPEKTER ŠIROKOPÁSMOVÝCH SIGNÁLŮ
VOLBA ČASOVÝCH OKEN A PŘEKRYTÍ PRO VÝPOČET SPEKTER ŠIROKOPÁSOVÝCH SIGNÁLŮ Jiří TŮA, VŠB Technická univerzita Ostrava Petr Czyž, Halla Visteon Autopal Services, sro Nový Jičín 2 Anotace: Referát se zabývá
VíceKonstrukční varianty systému pro nekoherentní korelační zobrazení
Konstrukční varianty systému pro nekoherentní korelační zobrazení Technický seminář Centra digitální optiky Vedoucí balíčku (PB4): prof. RNDr. Radim Chmelík, Ph.D. Zpracoval: Petr Bouchal Řešitelské organizace:
VíceAlgoritmy a struktury neuropočítačů ASN - P11
Aplikace UNS při rozpoznání obrazů Základní úloha segmentace obrazu rozdělení obrazu do několika významných oblastí klasifikační úloha, clusterová analýza target Metody Kohonenova metoda KSOM Kohonenova
VíceBTL zdravotnická technika, a.s. Šantrochova 16, 162 00 Praha 6 tel./fax: +420 235 363 606 +420 235 361 392 +420 235 364 157. obchod@btl.cz www.btl.
BTL zdravotnická technika, a.s. Šantrochova 16, 162 00 Praha 6 tel./fax: +420 235 363 606 +420 235 361 392 +420 235 364 157 obchod@btl.cz www.btl.cz Všechna práva vyhrazena. 2007 BTL zdravotnická technika,
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceSEMESTRÁLNÍ PRÁCE X. Aproximace křivek Numerické vyhlazování
KATEDRA ANALYTICKÉ CHEMIE FAKULTY CHEMICKO TECHNOLOGICKÉ UNIVERSITA PARDUBICE - Licenční studium chemometrie LS96/1 SEMESTRÁLNÍ PRÁCE X. Aproximace křivek Numerické vyhlazování Praha, leden 1999 0 Úloha
VíceČeské vysoké učení technické v Praze Fakulta biomedicínského inženýrství
České vysoké učení technické v Praze Fakulta biomedicínského inženýrství Elektronická podpora studia v bakalářských a magisterských studijních oborech na FBMI ČVUT Jozef ROSINA, Jiří HOZMAN děkan, proděkan
VíceMĚŘENÍ PORUCH PŘEDIZOLOVANÝCH POTRUBNÍCH SYSTÉMŮ POMOCÍ PŘENOSNÉHO REFLEKTOMETRU BDP
MĚŘENÍ PORUCH PŘEDIZOLOVANÝCH POTRUBNÍCH SYSTÉMŮ POMOCÍ PŘENOSNÉHO REFLEKTOMETRU BDP 103 Doplněk návodu k obsluze BDP 103 14.09.2000 (upraveno 15.02.2005) Tento doplněk předpokládá znalost Návodu k obsluze
VíceTP 304337/b P - POPIS ARCHIVACE TYP 457 - Měřič INMAT 57 a INMAT 57D
Měřič tepla a chladu, vyhodnocovací jednotka průtoku plynu INMAT 57S a INMAT 57D POPIS ARCHIVACE typ 457 OBSAH Možnosti archivace v měřiči INMAT 57 a INMAT 57D... 1 Bilance... 1 Uživatelská archivace...
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta elektrotechniky a komunikačních technologií Ústav telekomunikací
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta elektrotechniky a komunikačních technologií Ústav telekomunikací Ing. Petr Sadovský ANALÝZA SPÁNKOVÉHO EEG HUMAN SLEEP EEG ANALYSIS ZKRÁCENÁ VERZE PH.D. THESIS Obor:
VíceAnalýza dat na PC I.
CENTRUM BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Analýza dat na PC I. Popisná analýza v programu Statistica IBA výuka Základní popisná statistika Popisná statistika
VíceVyužití velkoplošné vizualizace v
Využití velkoplošné vizualizace v neurovědách Jan Fousek Fakulta informatiky, Masarykova univerzita 3. června 2015 Osnova vizualizace výsledků analýzy experimentálních měření prohĺıžení velkoobjemových
VíceKatedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
Více1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
VíceNumerické řešení proudění stupněm experimentální vzduchové turbíny a budících sil na lopatky
Konference ANSYS 2009 Numerické řešení proudění stupněm experimentální vzduchové turbíny a budících sil na lopatky J. Štěch Západočeská univerzita v Plzni, Katedra energetických strojů a zařízení jstech@kke.zcu.cz
VícePřehled nabízených kurzů
WINDOWS XP ZÁKLADY OBSLUHY Seznámení s osobním počítačem Periferie osobního počítače (monitory, tiskárny, skenery...) Obsluha klávesnice Práce s myší Prostředí MS Windows XP Plocha Menu Start Soubor, ikona,
VíceUŽITÍ KOHERENČNÍ FUNKCE PRO DISTRIBUOVANOU
UŽITÍ KOHERENČNÍ FUNKCE PRO DISTRIBUOVANOU ANALÝZU VÍCEKANÁLOVÝCH SIGNÁLŮ Robert Háva, Aleš Procházka Vysoká škola chemicko-technologická, Abstrakt Ústav počítačové a řídicí techniky Analýza vícekanálových
VíceGRAFICKÉ ROZHRANÍ URČENÉ K HODNOCENÍ VYSOKOFREKVENČNÍCH OSCILACÍ DETEKOVANÝCH V INTRAKRANIÁLNÍM EEG
GRAFICKÉ ROZHRANÍ URČENÉ K HODNOCENÍ VYSOKOEKVENČNÍCH OSCILACÍ DETEKOVANÝCH V INTRAKRANIÁLNÍM EEG T. Havel, J. Balach, P. Ježdík, R. Čmejla Katedra teorie obvodů, Fakulta elektrotechnická, České vysoké
VíceEtiologie epilepsie. Epilepsie nevychází z centra jizvy nebo postmalatické pseudocysty, ale spíše z jejího okraje, kde přežívají poškozené neurony.
Epilepsie Epilepsie Chronické mozkové onemocnění charakterizované opakujícím se výskytem (nevyprovokovaných) epileptických záchvatů. Ojedinělý epileptický záchvat může být vyprovokován i u člověka bez
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
VíceMĚŘENÍ ÚHLOVÝCH KMITŮ ZA ROTACE
26. mezinárodní konference DIAGO 27 TECHNICKÁ DIAGNOSTIKA STROJŮ A VÝROBNÍCH ZAŘÍZENÍ MĚŘENÍ ÚHLOVÝCH KMITŮ ZA ROTACE Jiří TŮMA VŠB Technická Univerzita Ostrava Osnova Motivace Kalibrace měření Princip
VíceBig Data a oficiální statistika. Unicorn College Open 24. dubna 2015 Doc. Ing. Marie Bohatá, CSc.
Big Data a oficiální statistika Unicorn College Open 24. dubna 2015 Doc. Ing. Marie Bohatá, CSc. Obsah příspěvku Charakteristiky Big Data Výzvy a úskalí z perspektivy statistiky Výzvy z perspektivy computing
VíceEpilepsie. Silvia Čillíková FEL ČVUT. 9th May 2006
Epilepsie Silvia Čillíková FEL ČVUT 9th May 2006 Úvod Epilepsie (zkr. epi) je skupina poruch mozku projevujících se opakovanými záchvaty (paroxysmy) různého charakteru Je to relativně běžné onemocnění,
VíceAutomatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011
Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
Metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceAUTOMATICKÁ SEGMENTACE DAT EEG
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceWhale detection Brainstorming session. Jiří Dutkevič Lenka Kovářová Milan Le
Whale detection Brainstorming session Jiří Dutkevič Lenka Kovářová Milan Le Signal processing, Sampling theorem Spojitý signál může být nahrazen diskrétní posloupností vzorků, aniž by došlo ke ztrátě informace,
VíceEVIDENČNÍ FORMULÁŘ. FTVS-UK evidence VaV výsledků nepodléhající řízení o zápisu u ÚPV v Praze
EVIDENČNÍ FORMULÁŘ Název výsledku: Software pro vyhodnocení vibrační analýzy heterogenních systémů 1. Informace o projektu Název projektu, v rámci kterého předkládaný výsledek vznikl: PRVOUK P38 Biologické
Více1.16 Vibrodiagnostika Novelizováno:
Vypracoval Gestor Schválil Listů Příloh Bc. Pavel Pantlík, Milan Melichar PSZ PS 5 Technické podmínky pro vibrodiagnostiku strojních zařízení. Standard platí pro všechny závody ŠkodaAuto. Obsah: 1. Definice
VíceTERMINOLOGIE ... NAMĚŘENÁ DATA. Radek Mareček PŘEDZPRACOVÁNÍ DAT. funkční skeny
PŘEDZPRACOVÁNÍ DAT Radek Mareček TERMINOLOGIE Session soubor skenů nasnímaných během jednoho běhu stimulačního paradigmatu (řádově desítky až stovky skenů) Sken jeden nasnímaný objem... Voxel elementární
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady, vlastnosti Vzorkovací
VíceKlasifikace snímků DaTscan pomocí CNN: Preprocessing obrazových dat a jejich generování metodou Monte Carlo
Klasifikace snímků DaTscan pomocí CNN: Preprocessing obrazových dat a jejich generování metodou Monte Carlo Ing. Kateřina Chytrá 1,2 Školitel: Ing. Jiří Trnka, PhD. 1,3 Školitel-specialista: Ing. Jiří
VíceINFORMAČNÍ TECHNOLOGIE PRO ZPRACOVÁNÍ EEG 2 UNIS a popis EEG. doc. Ing. Vladimír Krajča CSc.
INFORMAČNÍ TECHNOLOGIE PRO ZPRACOVÁNÍ EEG 2 UNIS a popis EEG doc. Ing. Vladimír Krajča CSc. 1. Úkol: a. Číst a zobrazit digitalizovaná data EEG různých výrobců s různými formáty dat b. Číst a využít archív
Více3.4 Určení vnitřní struktury analýzou vícerozměrných dat
3. Určení vnitřní struktury analýzou vícerozměrných dat. Metoda hlavních komponent PCA Zadání: Byly provedeny analýzy chladící vody pro odběrové místa. Byly stanoveny parametry - ph, vodivost, celková
VíceDSY-4. Analogové a číslicové modulace. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
DSY-4 Analogové a číslicové modulace Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti DSY-4 analogové modulace základní číslicové modulace vícestavové modulace modulace s rozprostřeným
Více8. Sběr a zpracování technologických proměnných
8. Sběr a zpracování technologických proměnných Účel: dodat v částečně předzpracovaném a pro další použití vhodném tvaru ucelenou informaci o procesu pro následnou analyzu průběhu procesu a pro rozhodování
VíceOsnova. Idea ASK/FSK/PSK ASK Amplitudové... Strana 1 z 16. Celá obrazovka. Konec Základy radiotechniky
Pulsní kódová modulace, amplitudové, frekvenční a fázové kĺıčování Josef Dobeš 24. října 2006 Strana 1 z 16 Základy radiotechniky 1. Pulsní modulace Strana 2 z 16 Pulsní šířková modulace (PWM) PAM, PPM,
VíceSOFTWARE PRO PREZENTACI EEG SIGNÁLŮ A JEJICH ANALÝZ VYTVOŘENÝCH V MATLABU
SOFTWARE PRO PREZENTACI EEG SIGNÁLŮ A JEJICH ANALÝZ VYTVOŘENÝCH V MATLABU L.Šenfeld 1, V.Tůma 1 1 Fakulta elektrotechnická, ČVUT v Praze Abstrakt Analýza intrakraniálních elektroencefalogramů je jedna
VíceMETODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1
METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 DOLOVÁNÍ V DATECH (DATA MINING) OBJEVUJE SE JIŽ OD 60. LET 20. ST. S ROZVOJEM POČÍTAČOVÉ TECHNIKY DEFINICE PROCES VÝBĚRU, PROHLEDÁVÁNÍ A MODELOVÁNÍ
VíceKatalog biomedicínských modelů, výuka simulacim a modelování v biomedicínském inženýrství, interaktivní systém v MatLab-Simulinku
SYSTÉM PRO PRESENTACI MODELŮ Patrik Onderka, Vladimír Eck, Karel Malý Anotace Sdělení popisuje praktické použití katalogu modelů ve výuce předmětu Simulace a modelování v inženýrském bloku studijního plánu
VíceC82,C83,C84,C85 - Ne-Hodgkinův lymfom
Report diagnózy C82,C83,C84,C85 - Ne-Hodgkinův lymfom Časový vývoj hrubé incidence a mortality Graf zobrazuje časový vývoj hrubé incidence (počet nových případů na 100000 osob) a hrubé mortality (počet
VíceMATLAB PRO PODPORU VÝUKY KOMUNIKAČNÍCH SYSTÉMŮ
MATLAB PRO PODPORU VÝUKY KOMUNIKAČNÍCH SYSTÉMŮ Aneta Coufalíková, Markéta Smejkalová Mazálková Univerzita obrany Katedra Komunikačních a informačních systémů Matlab ve výuce V rámci modernizace výuky byl
VíceVizuální zpětná vazba při tréninku stability. MUDr. M. Janatová, Ing. A. Bohunčák, MUDr. M. Tichá
Vizuální zpětná vazba při tréninku stability MUDr. M. Janatová, Ing. A. Bohunčák, MUDr. M. Tichá Laboratoř virtuální reality Společné pracoviště 1.LF UK a FBMI ČVUT, Albertov Interdisciplinární tým Doc.
Více3 METODY PRO POTLAČENÍ ŠUMU U ŘE- ČOVÉHO SIGNÁLU
3 METODY PRO POTLAČENÍ ŠUMU U ŘE- ČOVÉHO SIGNÁLU V současné době se pro potlačení šumu u řečového signálu používá mnoho různých metod. Jedná se například o metody spektrálního odečítání, Wienerovy filtrace,
VíceVIBEX Uživatelská příručka
VIBEX Uživatelská příručka ŠKODA POWER s.r.o. ŠKODA VÝZKUM s.r.o. ČVUT FEL Praha PROFESS, spol. s r.o. Plzeň 2005 VIBEX je program, který slouží k identifikaci příčin změn ve vibračním chování turbosoustrojí.
VíceMetody automatické detekce EEG epileptických hrotů. Methods for EEG sharp transients detection
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA BIOMEDICÍNSKÉHO INŽENÝRSTVÍ Katedra biomedicínské techniky Metody automatické detekce EEG epileptických hrotů Methods for EEG sharp transients detection Bakalářská
VícePřednáška 13 Redukce dimenzionality
Vytěžování Dat Přednáška 13 Redukce dimenzionality Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL) Redukce dimenzionality 1 /
VíceVyužití metod strojového učení v bioinformatice David Hoksza
Využití metod strojového učení v bioinformatice David Hoksza SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita v Praze Bioinformatika Biologické inspirace
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl
VíceZápočtová úloha z předmětu KIV/ZSWI DOKUMENT SPECIFIKACE POŽADAVKŮ
Zápočtová úloha z předmětu KIV/ZSWI DOKUMENT SPECIFIKACE POŽADAVKŮ 10. 5. 2011 Tým: Simplesoft Členové: Zdeněk Malík Jan Rada Ladislav Račák Václav Král Marta Pechová malikz@students.zcu.cz jrada1@students.zcu.cz
VíceZáklady a aplikace digitálních. Katedra radioelektroniky (13137), blok B2, místnost 722
Základy a aplikace digitálních modulací Josef Dobeš Katedra radioelektroniky (13137), blok B2, místnost 722 dobes@fel.cvut.cz 6. října 2014 České vysoké učení technické v Praze, Fakulta elektrotechnická
VíceDodatek k uživatelském manuálu Adash 4202 Revize 040528MK
Vyvažovací analyzátory Adash 4200 Dodatek k uživatelském manuálu Adash 4202 Revize 040528MK Email: info@adash.cz Obsah: Popis základních funkcí... 3 On Line Měření... 3 On Line Metr... 3 Časový záznam...
VíceSpektrální charakteristiky
Spektrální charakteristiky Cíl cvičení: Měření spektrálních charakteristik filtrů a zdrojů osvětlení 1 Teoretický úvod Interakcí elektromagnetického vlnění s libovolnou látkou vzniká optický jev, který
VíceStatistika pro geografy
Statistika pro geografy 2. Popisná statistika Mgr. David Fiedor 23. února 2015 Osnova 1 2 3 Pojmy - Bodové rozdělení četností Absolutní četnost Absolutní četností hodnoty x j znaku x rozumíme počet statistických
Víceehealth, telemedicína a asistivní technologie na ČVUT FEL Praha
České vysoké učení technické v Praze Fakulta elektrotechnická ehealth, telemedicína a asistivní technologie na ČVUT FEL Praha Lenka Lhotská, Miroslav Burša, Michal Huptych, Jan Havlík Katedra kybernetiky,
Více