ECTS - University of Pisa
Gli studenti apprenderanno i concetti di modellizzazione ed elaborazione dei segnali ed immagini biomediche, e sugli approcci statistici all'analisi dei dati.
A partire dai fondamenti della teoria della probailità applicata ai segnali, verrano introdotti i processi aleatori e la loro caratterizzazione nel tempo e in frequenza. Verranno analizzati indici statistici per l'analisi dei segnali, sia di tipo univariato che multivariato.
Saranno analizzati i metodi per l'analisi non parametrica e parametrica di di serie temporali
Oggetto dello studio saranno sia i modelli confirmatori per l'analisi di dati che i modelli esplorativi quali quelli basati su tecniche mulitvariata, come SVD e PCA.
Verranno analizzati metodi per la riduzione del rumore basati su approcci statistici.
Inoltre verranno introdotti elementi di machine learning e classificatori basati su approcci bayesiani.
Tali approcci verranno applicati e ottimizzti per l'analisi dei segnali biomedici,. Saranno considerate le condizioni di applicabilità di tali modelli a segnali biomedici, sottolineando limiti e opportunità. Verranno in particolare evidenziati i fattori di variabliltà intra e inter soggetto e i possibili fattori confondenti.
Gli studenti avranno la possibilità di applicare gli approcci proposti durante sessioni di laboratorio dedicate, usando sia dati simulati che reali.
The student who successfully completes the course will be able to demonstrate advanced knowledge on modelling and analysis of biomedical signals and images, and on statistical data analysis.
Lo studente dovrà dimostrare la capacità di realizzare praticamente, con giudizio critico, le metodologie illustrate o svolte sotto la guida del docente durante il corso.
Oltre che durante il test finale, queste capacità saranno verificate anche all'itnerno dei laboratori svolti durante l'anno.
The student must demonstrate the ability to put into practice and to execute, with critical awareness, the activities illustrated or carried out under the guidance of the teacher during the course.
Methods:
Alla fine del corso gli studenti saranno in grado di:
caratterizzare dal punto di vista temporale e frequenziale un segnale biomedico
stimare indici statistici che permettano di descrivere il comportamento di segnalii biomedici, univariati e multivariati
analizzare e caratterizzare la variabilità dei segnali biomedici, sia a livello di singolo soggetto che a livello di gruppo
Eseguire l'analisi non parametrica e stimare modelli parametrici di serie temporali di segnali biomedici
Utilizzare i metodi per la riduzione di rumore ed estrazione di caratteristiche delle bioimmagini
Applicare approcci di machine learning per la classificazione di dati biomedici.
Durante le sessioni in laboratorio agli studenti verrà richiesto di sviluppare la sequenza di elaborazione dei dati, così come i codici corrispondenti. La strategia adottata e i risultati saranno discussi con il docente.
Gli studenti sapranno sviluppare e progettare paradigmi sperimentali tenendo conto dei passi di elaborazione necessari.
Svilupperanno le consapevolezza relativamente alla necessità di acquisire i dati in maniera accurata e di minimizzare i fattori confondenti.
Durante le sessioni di laboratorio verranno discusse a livello di gruppo le problematiche legate ai paradigmi sperimentali utilizzati per l'acquisizione dei dati a disposizione.
Durante le sessioni di laboratorio saranno valutati il grado di accuratezza e precisione delle attività svolte
Analisi di Fourier di segnali a tempo continuo e discreto
Sistemi lineari tempo invarianti a tempo continuo e discreto
Il corso si svolge con lezioni frontali e laboratori informatici
i metodi di insegnamento si basano su:
The course will consists of lectures and informatic laboratory sessions.
Attendance: Mandatory
Teaching methods:
Introduzione alla teoria della probabilità
Introduzione ai processi stocastici: analisi statistica del primo e del secondo ordine.
Stimatori non parametrici: metodo del periodogramma, metodo wosa
Stimatori parametrici: modelli AR, MA e ARMA
Filtri deterministici e filtri stocatisci per l'elaborazione delle bioimmagini.
Metodi di analisi multivariata: analisi componenti principali, SVD e analisi delle componenti indipendenti
Regressione singola e regressione multipla, regressione non lineare e regressione logistica
introduzione al machine learning. Classificatori bayesiani, classificatori SVM
Materiale fornito dai docenti
Analisi e modelli di segnali biomedici. Luigi Landini e Nicola Vanello. Pisa University Press, 2016 (Manuali)
Recommended reading includes the material supplied by the teacher
Prova scritta e orale
