Biomedizinische Signalanalyse - Cheatsheet.pdf

Biomedizinische Signalanalyse - Cheatsheet
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...

© StudySmarter 2024, all rights reserved.

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
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden