ECE6035 - İleri İşaret İşleme

BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ

LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ

ELEKTRONİK VE BİLGİSAYAR MÜHENDİSLİĞİ - DR

(2025 - 2026) Ders Bilgi Formu

Ders Adı	Kodu	Yarıyıl	T+U Saat	AKTS	Z / S
İleri İşaret İşleme	ECE6035		3 + 0	7,5	Seçmeli

Birim Bölüm	Elektronik ve Bilgisayar Mühendisliği - DR - Lisansüstü (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.)
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

Hafta	Konu
1	Dersin tanıtımı; biyomedikal işaretlerin (EEG/ECG/EMG/PPG) özellikleri ve kayıt temelleri
2	Örnekleme, nicemleme, SNR; temel ön işleme ve artefakt farkındalığı
3	FIR/IIR filtre tasarımı; pencereleme ve pratik filtreleme ipuçları
4	Spektral analiz: periodogram, Welch, multitaper; ritim/tepe tespiti
5	Zaman–frekans yöntemler: STFT, sürekli dalgacık dönüşümü (CWT)
6	İstatistiksel modeller: AR/ARMA; PSD kestirimi; model seçimi
7	Durum-uzayı modelleri ve Kalman süzgeci; yumuşatma
8	Uyarlamalı filtreleme (LMS/RLS); bazal sürüklenme ve hareket artefaktı giderme
9	Çok kanallı analiz: uzamsal filtreler, ICA/PCA; temel bağlanırlık ölçüleri
10	Özellik çıkarımı ve seçimi; klasik sınıflandırıcılar (LDA/SVM/RF)
11	1D sinyaller için derin öğrenmeye giriş (CNN/RNN/LSTM); transfer öğrenme
12	Değerlendirme: çapraz doğrulama, metrikler, istatistiksel karşılaştırma; tekrar üretilebilirlik
13	Klinik/BCI uygulamaları: nöbet tespiti, HRV/aritmi, uyku evreleme
14	Dönem projesi sunumları ve geribildirim; ders kapanışı ve sonraki adımlar

Program Çıktıları
1	Lisans düzeyi yeterliliklerine dayalı olarak, Elektronik veya Bilgisayar alanındaki disiplinler arası bilgilerini uzmanlık düzeyinde geliştirebilme ve derinleştirebilmek.
2	Elektronik veya Bilgisayar alanındaki ilişkili olduğu disiplinler arası etkileşimi kavrayabilmek.
3	Elektronik veya Bilgisayar alanındaki edindiği uzmanlık düzeyindeki kuramsal ve uygulamalı bilgileri bu disiplinler arasında etkili kullanabilmek.
4	Elektronik veya Bilgisayar alanında edindiği bilgileri farklı disiplin alanlarından gelen bilgilerle bütünleştirerek yorumlayabilme ve yeni bilgiler oluşturabilmek.
5	Elektronik veya Bilgisayar alanında karşılaşılan sorunları araştırma yöntemlerini kullanarak çözümleyebilmek.
6	Elektronik veya Bilgisayar alanında uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilmek .
7	Elektronik veya Bilgisayar alanında ilgili uygulamalarda karşılaşılan ve öngörülemeyen karmaşık sorunların çözümü için yeni stratejik yaklaşımlar geliştirebilme ve sorumluluk alarak çözüm üretebilmek.
8	Elektronik veya Bilgisayar alanı ile ilgili sorunların çözümlenmesini gerektiren ortamlarda liderlik yapabilmek.
9	Elektronik veya Bilgisayar alanında edindiği uzmanlık düzeyindeki bilgi ve becerileri eleştirel bir yaklaşımla değerlendirebilme ve öğrenimini yönlendirebilmek.
10	Elektronik veya Bilgisayar alanında güncel gelişmeleri ve kendi çalışmalarını, nicel ve nitel veriler ile destekleyerek, bu alanlar dışındaki gruplara, yazılı, sözlü ve görsel olarak sistemli biçimde Türkçe ve/veya İngilizce olarak aktarabilmek.
11	Elektronik veya Bilgisayar alanının gerektirdiği düzeyde mühendislik araçları ile birlikte bilişim ve iletişim teknolojilerini ileri düzeyde kullanabilmek.
12	Elektronik ve Bilgisayar alanı ile ilgili verilerin toplanması, yorumlanması, uygulanması ve duyurulması aşamalarında toplumsal, bilimsel, kültürel ve etik değerleri gözeterek denetleyebilme ve bu değerleri öğretebilmek.
13	Elektronik veya Bilgisayar alanı ile ilgili konularda strateji ve uygulama planları geliştirebilme, elde edilen sonuçları, kalite süreçleri çerçevesinde değerlendirebilmek.
14	Kendi çalışmalarını, alanındaki uluslararası platformlarda, yazılı, sözlü ve/veya görsel olarak aktarabilmek.
15	Ulusal ve uluslararası seviyede yenilikçi ve orijinal araştırma çalışmaları yürütebilme, kendi alanında araştırma ekiplerinde görev alma ve önderlik edebilmek

Ders Öğrenme Çıktısı - Program Çıktıları (1 -5 Puan Aralığı)

Ders Öğrenme Çıktısı	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	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/438424