Bio-inspired Signal Processing and Systems

Kiváltott agyi jelek informatikai feldolgozása

A tantárgyleírás hatályossága

Hatályosság kezdete:

2026. March 21.

Hatályosság vége:

—

Subject name (Hungarian, English)

Kiváltott agyi jelek informatikai feldolgozása

Bio-inspired Signal Processing and Systems

Subject code

BMEVITMAV43

Subject type

—

Training Level

—

Course types and hours (weekly/semester)

Course type	lecture	tutorial	laboratory
hours (weekly)	2	2	0
type (linked/independent)	—	derived course	—

Assessment type

vizsga

Credits

Subject coordinator

DR. Sztahó Dávid

contact: sztaho.david@vik.bme.hu

Responsible department

Távközlési és Mesterséges Intelligencia Tanszék

Faculty

Villamosmérnöki és Informatikai Kar

Subject website

http://lsa.tmit.bme.hu/education/kivaltott_agyi_jelek.html

Primary curriculum type

—

Direct prerequisites – Strong prerequisite

none

Direct prerequisites – Weak prerequisite

none

Direct prerequisites – Parallel prerequisite

none

Direct prerequisites – Milestone prerequisite

none

Direct prerequisites – Exclusion

none

Objectives

Programme

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

Olyan informatikai eszköztár megismertetése a hallgatókkal, ami alkalmas az EEG jelek feldolgozására és kísérletek megvalósítására. A tárgy során a hallgatók találkoznak az EEG mérések biológiai alapjaival, a rögzített jelek feldolgozásának menetével és elemzésével. Az órán elhangzott ismereteket gyakorlatok során tudják mélyebben elsajátítani. A gyakorlatokon MATLAB eszköztárak segítségével kerülnek a megismert eljárások bemutatásra. A kurzus végére a hallgatók elsajátítják azokat az ismereteket, amelyek idegtudományi eljárások, tudományos kísérletek megvalósításához kellenek. Habár a megismerhető eljárások számos matematikai alapterületre építenek, nem szükséges ezek mély ismerete. Az előadások során a szükséges matematikai alapismereteket is bemutatjuk.

Learning outcomes

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Knowledge

No learning outcomes recorded.

Skills

No learning outcomes recorded.

Attitudes

No learning outcomes recorded.

Autonomy and responsibility

No learning outcomes recorded.

Oktatási módszertan

Előadás és gyakorlat. A gyakorlat során a hallgatók az előadáson hallottak gyakorlati alkalmazását láthatják és gyakorolhatják. Saját laptop használata ajánlott.

Tanulástámogató anyagok

Not provided.

Recommended preliminary knowledge for completing the subject

Knowledge type competencies

(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

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

Skill type competencies

(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

nincs

Recommended (non-compulsory) preliminary competencies

(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)

General rules

Követelmények: A szorgalmi időszakban: 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. Pótlási lehetőségek: A házi feladat leadása a pótlási héten megadott időpontban pótolható. Elégtelen vizsga a TVSZ szabályai szerint pótolható.

Assessment methods

In-term assessments

No detailed assessments provided.

Weight of in-term assessments

No weights provided.

Exam-period assessments

No detailed assessments provided.

Weight of exam elements

No weights provided.

Grade calculation

No grade thresholds provided.

Attendance requirements

No attendance requirements provided.

Rules for retake and resubmission

Not provided.

Short description

Not provided.

Detailed description

Not provided.

Recommended courses

Not provided.

Workload to complete the subject

No workload breakdown provided.

Validity of subject requirements

Requirements valid from:

—

Requirements valid until:

—

Curriculum placement

No curriculum placements recorded for this subject version.