| Ders Adı | Kodu | Yarıyıl | T+U Saat | AKTS | |
| İleri İşaret İşleme | ECE6035 | 3 + 0 | 7,5 |
| Birim Bölüm | ELEKTRONİK VE BİLGİSAYAR MÜHENDİSLİĞİ - DR |
| Derece Seviye | Lisansüstü - Seçmeli - Türkçe |
| Dersin Verilişi | Anlatım + seminer: Kuramsal içerik ve güncel makale tartışmaları. Uygulama oturumları: Python/MATLAB ile sinyal işleme, açık veri setleri (EEG/ECG/EMG) üzerinde uygulama çalışmaları. Ödevler: Kod temelli mini projeler ve makale eleştirileri. Dönem projesi: Gerçek bir biyomedikal problem için veri toplama/ön işleme, modelleme, değerlendirme ve raporlama; sözlü sunum. |
| EBS Koordinatörü | Dr. Öğr. Üyesi Ali Osman SELVİ |
| Ders Veren | |
| Amaç |
Bu ders, lisansüstü düzeyde ileri işaret işlemeyi biyomedikal işaretlere (EEG, ECG, EMG, PPG vb.) uygulamalı olarak öğretmeyi hedefler. Öğrencilerin sürekli ve sayısal işaretlerin temelini kavraması; örnekleme, filtreleme, spektral ve zaman-frekans analizlerini doğru biçimde kullanması; temel istatistiksel modelleme, uyarlamalı yöntemler ve çok kanallı analiz yaklaşımlarını tanıması; ayrıca özellik çıkarımı ve sınıflandırma süreçlerini, gerektiğinde derin öğrenme tabanlı basit çözümlerle birlikte, gerçek veriler üzerinde uygulayabilmesi amaçlanır. |
| Ders İçeriği |
Biyomedikal işaretlerin özellikleri, fizyolojik köken ve kayıt sistemleri Örnekleme, nicemleme, SNR, artefakt ve gürültü giderme (ICA/SSP/Notch) Zaman alanı analizleri, pencereler ve doğrusal filtre tasarımı Spektral analiz, Welch/Multitaper, tepe/ritim tespiti (ör. alfa, beta, HRV) Zaman-frekans: STFT, CWT/dalgek (wavelet), synchrosqueezing İstatistiksel modelleme: AR/ARMA, PSD kestirimi, durum-uzayı/Kalman Uyarlamalı filtreleme: LMS/RLS; hareket artefaktı ve bazal sürüklenme giderme Çok kanallı yöntemler: uzamsal filtreler, kaynak ayrıştırma (ICA/PCA), bağlanırlık ölçüleri Özellik çıkarımı ve seçimi; sınıflandırıcılar (LDA/SVM/Random Forest) Derin öğrenme: 1D-CNN, RNN/LSTM, self-supervised ve transfer öğrenme Değerlendirme metrikleri, çapraz doğrulama, istatistiksel karşılaştırma |
| Ders Kaynakları |
Introduction to Biomedical Signal Processing
Biomedical Signal Processing: A Modern Approach |
| Açıldığı Öğretim Yılı | 2023-2024 2024 - 2025 |
| Yarıyıl İçi Çalışmalar | Katkı Yüzdesi (%) |
| Bu bilgi girilmemiştir. | |
| Toplam | 0 |
| Yarıyıl Sonu Çalışmalar | Katkı Yüzdesi (%) |
| Bu bilgi girilmemiştir. | |
| Toplam | %0 |
| Yarıyıl İçinin Başarıya Oranı | %0 |
| Yarıyıl Sonu Çalışmalar | %0 |
| Toplam | %0 |
| Kategori | Ders İlişki Yüzdeleri (%) |
|
Aktarılabilir Beceri Dersleri
|
0
|
|
Beşeri, İletişim ve Yönetim Becerileri Dersleri
|
0
|
|
Destek Dersleri
|
0
|
|
Ek Dersler
|
0
|
|
Kategori
|
0
|
|
Mesleki Seçmeli Dersler
|
0
|
|
Temel Meslek Dersleri
|
0
|
|
Uygulama Dersleri
|
0
|
|
Uzmanlık / Alan Dersleri
|
0
|
|
Yetkinlik Tamamlayıcı Ders
|
0
|
| Ders İş Yükü | Öğretim Metotlar / Öğretim Metodu | Süresi (Saat) | Sayısı | Toplam İş Yükü (Saat) |
| Toplam İş Yükü (Saat) | 0 | |||
| AKTS = Toplam İş Yükü (Saat) / 25.5 (s) | 0 | |||
| AKTS | 3,0 | |||
| Hafta | Konu | Öğretim Metodu |
|---|---|---|
| 1 | Dersin tanıtımı; biyomedikal işaretlerin (EEG/ECG/EMG/PPG) özellikleri ve kayıt temelleri | Ders |
| 2 | Örnekleme, nicemleme, SNR; temel ön işleme ve artefakt farkındalığı | Ders |
| 3 | FIR/IIR filtre tasarımı; pencereleme ve pratik filtreleme ipuçları | Ders |
| 4 | Spektral analiz: periodogram, Welch, multitaper; ritim/tepe tespiti | Ders |
| 5 | Zaman–frekans yöntemler: STFT, sürekli dalgacık dönüşümü (CWT) | Ders |
| 6 | İstatistiksel modeller: AR/ARMA; PSD kestirimi; model seçimi | Ders |
| 7 | Durum-uzayı modelleri ve Kalman süzgeci; yumuşatma | Ders |
| 8 | Uyarlamalı filtreleme (LMS/RLS); bazal sürüklenme ve hareket artefaktı giderme | Ders |
| 9 | Çok kanallı analiz: uzamsal filtreler, ICA/PCA; temel bağlanırlık ölçüleri | Ders |
| 10 | Özellik çıkarımı ve seçimi; klasik sınıflandırıcılar (LDA/SVM/RF) | Ders |
| 11 | 1D sinyaller için derin öğrenmeye giriş (CNN/RNN/LSTM); transfer öğrenme | Ders |
| 12 | Değerlendirme: çapraz doğrulama, metrikler, istatistiksel karşılaştırma; tekrar üretilebilirlik | Ders Sınıf Dışı Çalışma |
| 13 | Klinik/BCI uygulamaları: nöbet tespiti, HRV/aritmi, uyku evreleme | Ders Sınıf Dışı Çalışma |
| 14 | Dönem projesi sunumları ve geribildirim; ders kapanışı ve sonraki adımlar | Ders Sınıf Dışı Çalışma |
| Ders Öğrenme Çıktısı | Ölçme Değerlendirme | Öğretim Metodu | Öğrenme Faaliyeti |
| EEG/ECG/EMG/PPG gibi biyomedikal işaretleri içe aktarır, temel ön işlem adımlarını (filtreleme, artefakt azaltma, yeniden örnekleme) uygular ve SNR, veri bütünlüğü gibi kalite ölçütleriyle sonuçları değerlendirir. | Yazılı Sınav Ödev / Proje Sunum / Seminer | Ders Sınıf Dışı Çalışma | Dinleme ve anlamlandırma Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim |
| FIR/IIR filtre tasarlayıp uygular; spektral (Welch, multitaper) ve zaman–frekans (STFT, dalgacık) analizleri gerçekleştirir ve bulguları doğru yorumlar. | Yazılı Sınav Ödev / Proje Sunum / Seminer | Ders Sınıf Dışı Çalışma | Dinleme ve anlamlandırma Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim |
| AR/ARMA gibi istatistiksel modeller ve LDA/SVM/RF veya basit 1D-CNN/RNN gibi yöntemlerle özellik çıkarımı ve sınıflandırma yapar; çapraz doğrulama ve uygun metriklerle (ör. doğruluk, F1, AUC) modelleri doğrular. | Yazılı Sınav Ödev / Proje Sunum / Seminer | Ders Sınıf Dışı Çalışma | Dinleme ve anlamlandırma Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim |
| Çok kanallı verilerde uzamsal filtreleme, PCA/ICA ve temel bağlanırlık ölçümlerini uygular; sonuçları fizyolojik bağlamda (ör. ritimler, HRV, kas aktivitesi) anlamlandırır.Öğrenci çok kanallı verilerde uzamsal filtreleme, PCA/ICA ve temel bağlanırlık ölçümlerini uygular; sonuçları fizyolojik bağlamda (ör. ritimler, HRV, kas aktivitesi) anlamlandırır. | Yazılı Sınav Ödev / Proje Sunum / Seminer | Ders Sınıf Dışı Çalışma | Dinleme ve anlamlandırma Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim |
| Veri ediniminden raporlamaya uzanan tekrarlanabilir bir analiz hattı geliştirir (kod, sürüm kontrolü, dokümantasyon), etik ve gizlilik ilkelerine uyar, bulgularını yazılı rapor ve sözlü sunumla etkili biçimde aktarır. | Yazılı Sınav Ödev / Proje Sunum / Seminer | Ders Sınıf Dışı Çalışma | Dinleme ve anlamlandırma Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim |
DERS ÖĞRENME ÇIKTISI |
PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| EEG/ECG/EMG/PPG gibi biyomedikal işaretleri içe aktarır, temel ön işlem adımlarını (filtreleme, artefakt azaltma, yeniden örnekleme) uygular ve SNR, veri bütünlüğü gibi kalite ölçütleriyle sonuçları değerlendirir. | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | ;
| FIR/IIR filtre tasarlayıp uygular; spektral (Welch, multitaper) ve zaman–frekans (STFT, dalgacık) analizleri gerçekleştirir ve bulguları doğru yorumlar. | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | ;
| AR/ARMA gibi istatistiksel modeller ve LDA/SVM/RF veya basit 1D-CNN/RNN gibi yöntemlerle özellik çıkarımı ve sınıflandırma yapar; çapraz doğrulama ve uygun metriklerle (ör. doğruluk, F1, AUC) modelleri doğrular. | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | ;
| Çok kanallı verilerde uzamsal filtreleme, PCA/ICA ve temel bağlanırlık ölçümlerini uygular; sonuçları fizyolojik bağlamda (ör. ritimler, HRV, kas aktivitesi) anlamlandırır.Öğrenci çok kanallı verilerde uzamsal filtreleme, PCA/ICA ve temel bağlanırlık ölçümlerini uygular; sonuçları fizyolojik bağlamda (ör. ritimler, HRV, kas aktivitesi) anlamlandırır. | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | ;
| Veri ediniminden raporlamaya uzanan tekrarlanabilir bir analiz hattı geliştirir (kod, sürüm kontrolü, dokümantasyon), etik ve gizlilik ilkelerine uyar, bulgularını yazılı rapor ve sözlü sunumla etkili biçimde aktarır. | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | ;
| Ortalama Değer | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
