Öğrenme hedefleri
Bu haftanın sonunda:
- 1 Örnekleme frekansı, Nyquist sınırı ve örtüşmenin (aliasing) sinyal kalitesine etkisini açıklar.
- 2 Bant geçiren ve çentik filtreleri tasarlar; EEG'de göz/kas artefaktını, EKG'de taban çizgisi kaymasını giderir.
- 3 Zaman alanı (RR, HRV), frekans alanı (bant güçleri) ve doğrusal olmayan (entropi) öznitelikler çıkarır.
- 4 STFT ve sürekli dalgacık dönüşümüyle zaman–frekans temsili üretir; kayıt-bazlı çapraz doğrulama ile sınıflandırıcı eğitir.
Ön Okuma ve Hazırlık
Ara sınav gelecek hafta: 1–7. haftaların içeriğini kapsar. Bu hafta işlenen sinyal işleme kavramları da dâhildir.
Ders Notları
Ayrıntılı notlar ve türetimler ders yaklaştıkça buraya eklenecektir.
Temel Kavramlar
- Nyquist frekansı — Örnekleme frekansının yarısı; üzerindeki bileşenler yanlış frekansa katlanır (aliasing).
- Güç spektral yoğunluğu (PSD) — Sinyal gücünün frekansa dağılımı; EEG bantları (delta–gama) ve HRV LF/HF oranı buradan okunur.
- Zaman–frekans temsili — STFT sabit pencereyle, dalgacık dönüşümü ölçeğe göre değişen pencereyle geçici olayları (nöbet, aritmi) yakalar.
- Kayıt-bazlı doğrulama — Aynı kaydın segmentlerinin eğitim ve teste dağılmaması; aksi hâlde başarım yapay olarak şişer.
Biyomedikal Uygulama Örnekleri
- EEG’de epileptik nöbet tespiti: 2 saniyelik pencerelerde bant güçleri + entropi → Random Forest; hasta-bazlı AUC ile pencere-bazlı AUC farkı.
- EKG’den atriyal fibrilasyon tespiti: RR aralığı düzensizliği (RMSSD, pNN50) ve P dalgası yokluğu.
Uygulama / Laboratuvar
MIT-BIH’ten bir kaydı yükleyin; 0.5–40 Hz bant geçiren ve 50 Hz çentik filtre uygulayıp öncesi/sonrası PSD çizin. R tepe tespiti ile RR serisi ve HRV öznitelikleri üretin. CHB-MIT’ten bir hastanın EEG’sinde STFT spektrogramında nöbeti işaretleyin; bant güçleriyle kayıt-bazlı çapraz doğrulamalı sınıflandırıcı eğitin.
Tartışma Soruları
- Aynı hastanın nöbet ve nöbet-dışı segmentleri hem eğitim hem test kümesine düşerse model neyi öğrenir?
- Öznitelik çıkarımı + klasik ML ile ham sinyalden uçtan uca öğrenen CNN arasında ne zaman hangisini seçersiniz?
Haftanın Özeti
Fizyolojik sinyalleri temizleyip anlamlı özniteliklere dönüştürdük ve zaman–frekans temsillerini gördük. Bu temsiller 9–11. haftalardaki derin öğrenme modellerinin girdisi olacak.
Bu haftanın veri setleri
- PhysioNet MIT-BIH Arrhythmia — EKG; etiketli atımlar.
- Bonn EEG / CHB-MIT Scalp EEG — Nöbet tespiti.
- PhysioNet AF Classification Challenge 2017 — Tek derivasyon EKG.
Araçlar ve kütüphaneler
- scipy.signal
- MNE-Python
- NeuroKit2
- wfdb
- PyWavelets
Okuma listesi
- MakaleRajpurkar P ve ark. Cardiologist-level arrhythmia detection with convolutional neural networks. Nat Med 2019. — Uçtan uca öğrenme karşıtı olarak öznitelik-temelli yaklaşımı tartışın.
- MakaleGramfort A ve ark. MEG and EEG data analysis with MNE-Python. Front Neurosci 2013.
- MakaleShaffer F, Ginsberg JP. An overview of heart rate variability metrics and norms. Front Public Health 2017.
Etiketler:EEGEKGEMGfiltrelemeFFTSTFTdalgacıkHRVzaman-frekansMNE