Kiváltott agyi jelek informatikai feldolgozása

Bio-inspired Signal Processing and Systems

A tantárgyleírás hatályossága

Hatályosság kezdete:

2026. March 21.

Hatályosság vége:

—

Tantárgy neve (magyarul, angolul)

Kiváltott agyi jelek informatikai feldolgozása

Bio-inspired Signal Processing and Systems

Tantárgykód

BMEVITMAV43

Tantárgyjelleg

—

Képzési szint

—

Kurzustípusok és óraszámok (heti/féléves)

Kurzustípus	elmélet	gyakorlat	laboratóriumi gyakorlat
óraszám (heti)	2	2	0
jelleg (kapcsolt/önálló)	—	kapcsolt	—

Tanulmányi teljesítmény/értékelés típusa

vizsga

Tantárgy kreditértéke

Tantárgyfelelős

DR. Sztahó Dávid

elérhetőség: sztaho.david@vik.bme.hu

Tantárgyat gondozó oktatási szervezeti egység

Távközlési és Mesterséges Intelligencia Tanszék

Kar

Villamosmérnöki és Informatikai Kar

Tantárgy weboldala

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

Tantárgy elsődleges mintatantervi jellege

—

Közvetlen előkövetelmények – Erős előkövetelmény

nincs

Közvetlen előkövetelmények – Gyenge előkövetelmény

nincs

Közvetlen előkövetelmények – Párhuzamos előkövetelmény

nincs

Közvetlen előkövetelmények – Mérföldkő előkövetelmény

nincs

Közvetlen előkövetelmények – Kizáró feltétel

nincs

Célkitűzés

Tantárgyprogram

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.

Tanulmányi eredmények

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

Tudás

Nincsenek rögzített tanulási eredmények.

Képességek

Nincsenek rögzített tanulási eredmények.

Attitűd

Nincsenek rögzített tanulási eredmények.

Autonómia és felelősség

Nincsenek rögzített tanulási eredmények.

Oktatási módszertan

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

Tanulástámogató anyagok

Online források

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.

A tantárgy teljesítéséhez ajánlott előzetes ismeretek

Tudás típusú kompetenciák

(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

Képesség típusú kompetenciák

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

nincs

Ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák

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

Általános szabályok

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.

Teljesítményértékelési módszerek

Szorgalmi időszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Szorgalmi időszakban végzett teljesítményértékelések részaránya

Nincs megadva részarány.

Vizsgaidőszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Vizsgarészek részaránya

Nincs megadva részarány.

Érdemjegy megállapítása

Nincs megadva érdemjegy határ.

Jelenléti és részvételi követelmények

Nincs megadva jelenléti követelmény.

Javítás, ismétlés és pótlás különös szabályai

Nincs megadva.

Rövid leírás

Nincs megadva.

Részletes leírás

Nincs megadva.

Ajánlott tantárgyak

Nincs megadva.

A tantárgy elvégzéséhez szükséges tanulmányi munka

Nincs megadva munkaidő bontás.

Tantárgykövetelmények hatályossága

Tantárgykövetelmények hatályosságának kezdete:

—

Tantárgykövetelmények hatályosságának vége:

—

Tantervi elhelyezés

Nincsenek rögzített tantervi elhelyezések ehhez a tárgyverzióhoz.