Sie haben JavaScript deaktiviert! Ohne Javascript stehen Ihnen einige Funktionen nicht zur Verfügung.Eine Anleitung zum Aktivieren von Javascript finden Sie hier.
Cookies erleichtern die Bereitstellung unserer Dienste. Mit der Nutzung unserer Dienste erklären Sie sich damit einverstanden, dass wir Cookies verwenden.
Vorlesung mit Übung
Zum Beispiel lassen sich mit heutigen Smart-Watches physiologische Kenngrößen, wie die Herzfrequenz und die Sauersättigung, über die optische Messmethode der Photoplethysmographie (PPG) ermitteln. Dafür ist eine komplexe Signalverarbeitung notwendig. Die Methoden zur Biosignalanalyse werden mit den nachrichten-technischen Verfahren (z. B. Fourier-, Wavelet, Laplace-Transformation) vorgestellt und diskutiert. Zusätzlich werden Methoden zur Datenfilterung mit IIR und FIR-Strukturen vorgestellt und diskutiert, um beispielsweise Störsignale aus dem Nutzsignal zu entfernen. Gegen Ende der Vorlesung wird das Grundprinzip von neuronalen Netzen für den Aufbau eines Klassifikators vorgestellt. Hierzu dienen die Verfahren, um ein Muster aus den Daten zu erkennen bzw. Merkmale zu extrahieren, um das neuronale Netz anzutrainieren. Vertiefend wird ein freiwilliges Übungsprojekt angeboten, bei dem ein neuronales Netz zur Klassifikation von EKG-Daten antrainiert werden soll. Weitere Applikationen wären die hardware-nahe Implementierung der Signalauswertung in Neuro-Implantate, um die Sensordaten möglichst nah am Target auszuwerten.
Die Studenten sind fähig zu unterscheiden, welche nachrichtentechnischen Verfahren erforderlich sind, um beispielsweise ein neuronales Netz zur Klassifikation von Biosignalen anzuwenden, die eine möglichst hohe Genauigkeit zu erzielen.
For example, with today's smart watches, physiological parameters such as heart rate and oxygen saturation can be determined using the optical measurement method of photoplethysmography (PPG). This requires complex signal processing. The methods for biosignal analysis are presented and discussed with the communications technology procedures (e.g. Fourier, Wavelet, and Laplace transformations). In addition, methods for data filtering with IIR and FIR structures are presented and discussed, for example to remove interference signals from the useful signal. Towards the end of the lecture, the basic principle of neural networks for the construction of a classifier is presented. For this purpose, methods used to recognize a pattern from the data or to extract features in order to train the neural network are used. A voluntary exercise project is offered, in which a neural network for the classification of ECG data is to be trained.
Further applications would be the hardware-related implementation of signal evaluation in neuro-implants in order to evaluate the sensor data as close as possible to the target.
The students are able to distinguish which communications technology procedures are required, for example to use a neural network to classify biosignals in order to achieve the highest possible level of accuracy.