Biomedizinische Signalanalyse - Cheatsheet
Typen und Beispiele biomedizinischer Signale: EEG, EKG, EMG
Definition:
EEG, EKG, EMG = elektrische Aktivitäten des Gehirns, Herzens und Muskels
Details:
- EEG (Elektroenzephalogramm): misst elektrische Aktivität des Gehirns über Elektroden auf der Kopfhaut
- EKG (Elektrokardiogramm): misst elektrische Aktivität des Herzens, hervorgerufen durch Depolarisation und Repolarisation
- EMG (Elektromyogramm): misst elektrische Aktivität der Muskeln durch elektrochemische Potentiale
- EEG: wichtig für Diagnosen wie Epilepsie, Schlafstörungen
- EKG: wichtig für Diagnosen wie Arrhythmien, Herzinfarkt
- EMG: wichtig für Diagnosen wie Neuropathien, Muskeldystrophien
- Signalverarbeitung: Filterung, Frequenzanalyse, Merkmalsextraktion
Methoden der Signalvorverarbeitung
Definition:
Signalvorverarbeitung bereitet biomedizinische Daten so auf, dass sie für die anschließende Analyse geeignet sind.
Details:
- Filterung: Reduktion von Rauschen und Störungen. Häufig verwendete Filters: Tiefpass, Hochpass, Bandpass, Notch.
- Normalisierung: Anpassung der Signalstärke zur Vergleichbarkeit.
- Glättung: Reduktion von kleinen, zufälligen Störungen – z.B. mittels gleitender Mittelung.
- Artefaktentfernung: Beseitigung von ungewollten Signalanteilen, oft durch manuelle Inspektion oder automatische Algorithmen.
- Transformationen: z.B. Fourier-Transformation zur Darstellung im Frequenzraum.
Arten von Filtern: Tiefpass-, Hochpass-, Bandpass- und Notch-Filter
Definition:
Verschiedene Arten von elektronischen Filtern, die in der biomedizinischen Signalanalyse verwendet werden, um bestimmte Frequenzbereiche aus einem Signal herauszufiltern oder zu blockieren.
Details:
- Tiefpassfilter: Lässt Frequenzen unterhalb einer Grenzfrequenz durch und dämpft höhere Frequenzen.
- Hochpassfilter: Lässt Frequenzen oberhalb einer Grenzfrequenz durch und dämpft niedrigere Frequenzen.
- Bandpassfilter: Lässt Frequenzen innerhalb eines bestimmten Bereichs durch und dämpft Frequenzen außerhalb dieses Bereichs.
- Notch-Filter (Bandsperrfilter): Dämpft einen schmalen Frequenzbereich und lässt alle anderen Frequenzen passieren.
- Wichtige Parameter: Grenzfrequenz (\f_c), Bandbreite (\f_{\text{BW}}), Mittenfrequenz (\f_0).
- Frequenzgang und Dämpfungsverhalten bestimmen die Effektivität der Filter.
- In der biomedizinischen Signalanalyse entscheidend zur Rauschunterdrückung und Signalextraktion.
Zeit- und Frequenzbereichsanalyse
Definition:
Analyse von biomedizinischen Signalen sowohl im Zeit- als auch im Frequenzbereich.
Details:
- Vierier-Transformationen: Fourier-Transformation:
- Fourier-Transformation: \text{ } Verwandlung bekannter Zeitfunktionen in eine \text{ Funktion des Frequenzbereichs }
- Frequenzinhalte und Frequenzverteilung eines Signals analysieren
- Diskrete Fourier-Transformation (DFT) und Schnelle Fourier-Transformation (FFT) verwenden
- Spektralanalyse nutzen, um z.B. verschiedene Frequenzkomponenten in EEG-Signalen zu erkennen
Maschinelles Lernen: K-Nächste-Nachbarn, Entscheidungsbäume, neuronale Netze
Definition:
K-Nächste-Nachbarn, Entscheidungsbäume und neuronale Netze sind grundlegende Algorithmen im maschinellen Lernen.
Details:
- K-Nächste-Nachbarn (k-NN): Klassifiziert Datenpunkte basierend auf den k-nächsten Trainingsbeispielen im Merkmalsraum.
- Entscheidungsbäume: Hierarchische Modelle, die durch Aufspaltung des Datenraums in rekursive binäre Unterteilungen Entscheidungen treffen.
- Neuronale Netze: Modelle, die aus miteinander verbundenen Knoten (Neuronen) bestehen, inspiriert von der Struktur und Funktionsweise des biologischen Gehirns.
- Im Allgemeinen z.B. für Klassifikation und Regression verwendbar.
- Mathematische Definitionen:
- Der Abstand in k-NN wird typischerweise mit der euklidischen Distanz \( d(x,y) = \sqrt{\sum_{i=1}^n (x_i - y_i)^2} \) berechnet.
- Entscheidungsbäume minimieren die Entropie \( H(D) = -\sum_{i=1}^n p_i \log(p_i) \) bei der Auswahl der Aufteilungen.
- Neuronale Netze optimieren eine Verlustfunktion \( L = \sum_{i=1}^n (y_i - \hat{y}_i)^2 \) mithilfe des Gradientenabstiegs \( \Delta w = -\eta \frac{\partial L}{\partial w} \).
Echtzeit-Signalverarbeitung: Algorithmen und Anwendungsfälle
Definition:
Verarbeitung von Signalen in Echtzeit mit minimaler Latenz; wichtig für zeitkritische Anwendungen.
Details:
- Algorithmendesign: Effizienz und Stabilität im Vordergrund.
- FIR- und IIR-Filter: häufig für Echtzeit-Implementierungen.
- Anwendungsfälle: EKG-Überwachung, EEG-Analyse, Hörgeräte, Echtzeit-Überwachung im OP.
- Signalbewertung und -zuordnung: Klassifikationsalgorithmen wie z.B. SVM oder neuronale Netze.
- Parallelverarbeitung und Hardwareanforderungen: Nutzung von DSPs, FPGAs und GPUs.
- Echtzeit-Betriebssysteme und Software-Frameworks: z.B. RTOS, LabVIEW, MATLAB Simulink.
Nichtlineare Merkmale: Entropie, Fraktale Dimensionen
Definition:
Nichtlineare Merkmale in der biomedizinischen Signalanalyse zur Charakterisierung komplexer Systeme verwendet. Entropie misst Unordnung, fraktale Dimension beschreibt Selbstähnlichkeit.
Details:
- Entropie: Bewertet die Unsicherheit oder Komplexität eines Signals.
- Typen: Shannon-Entropie \ (H(X) = - \sum_i p(x_i) \log p(x_i)), ApEn (Approximative Entropie), SampEn (Sample Entropie)
- Fraktale Dimension: Beschreibt die geometrische Komplexität und Selbstähnlichkeit von Strukturen.
- Typen: Box-Counting Dimension, Korrelationsdimension \ (D = \lim \limits_{\epsilon \to 0} \frac{\log C(\epsilon)}{\log \epsilon})
Automatisierte Diagnoseverfahren und Unterstützungssysteme
Definition:
Automatisierte Diagnoseverfahren und Unterstützungssysteme helfen bei der Erkennung, Analyse und Behandlung medizinischer Zustände mittels Algorithmen und maschinellem Lernen.
Details:
- Nutzen: Verbesserung der Genauigkeit und Effizienz medizinischer Diagnosen
- Technologien: Machine Learning, Data Mining, Bildverarbeitung
- Beispiele: EKG-Analyse, Bildverarbeitung in der Radiologie
- Wichtige Algorithmen: Klassifikation, Clustering, Regression
- Vorteile: Reduktion menschlicher Fehler, schnellere Diagnosen
- Herausforderungen: Datenschutz, Interpretierbarkeit der Ergebnisse
- Mathematische Basis: Wahrscheinlichkeitsrechnung, Statistik, Optimierung