AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie
|
|
- Grzegorz Kamil Wrona
- 5 lat temu
- Przeglądów:
Transkrypt
1 AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Detekcja i synchronizacja reprezentacji uderzenia serca (zespołu QRS). Spis treści: 1. ABSTRAKT WSTĘP KONCEPCJA PROPONOWANEGO ROZWIĄZANIA REZULTATY I WNIOSKI PODSUMOWANIE LITERATURA DODATEK A: OPIS OPRACOWANYCH NARZĘDZI I METODY POSTĘPOWANIA DODATEK B: REALIZACJA PROPONOWANEGO ROZWIĄZANIA... 9 Wykonali: Grzegorz Wojciechowski, Kacper Zieliński V rok IS Wersja 1.1. Kraków, grudzień
2 1. Abstrakt Zespół QRS jest najbardziej charakterystycznym i wymownym elementem elektrokardiogramu. Odzwierciedla aktywność elektryczną serca w czasie skórczu komory serca. Morfologia zespołu dostarcza niezbędnych informacji o stanie serca. Identyfikacja zespołu QRS jest elementem prawie każdego algorytmu zajmującego się automatyczną analizą elektrokardiogramu. Sprawozdanie zawiera opis projektu realizującego detekcje oraz synchronizację zespołu QRS w sygnałach EKG. Zaprezentowany algorytm wykorzystuje zmodyfikowaną definicję zbocza sygnału EKG jako funkcje wykrywania zespołu QRS. W celu ekstrakcji zboczy używane są transformacje sygnału podstawowego oraz przefiltrowanego. Dwie funkcje składowe połączone są w celu uzyskania docelowego QRS. Pierwsza z nich zajmuję się lokalizacją regionów gdzie występuje zespół QRS. W tym celu wykorzystywanych jest wiele progów kwantyzacji amplitudy. Odpowiedni próg zostaje automatycznie wybrany i wykorzystany do wyznaczenia QRS. 2. Wstęp a) Cele i założenia projektu. Celem projektu jest detekcja oraz synchronizacja zespołu QRS w sygnale elektrokardiograficznym. Problem ten rozwiązywaliśmy już w podobnym projekcie, który również analizował EKG pod kątem, chorób występujących u pacjentów badanych metodą Holterowską i wykorzystujący sieć neuronową do oceny parametrów sygnału i zakwalifikowania ich do odpowiedniej choroby. Proponowane przez nas rozwiązanie zostało już stworzone i sukcesywnie wdrożone w wielu aplikacjach do automatycznej analizy EKG. Detekcja zespołu jest bardzo powszechna, dlatego istnieje wiele algorytmów, które zajmują się rozwiązaniem tego problemu. Jednym z nich jest użycie sieci neuronowych lub metody przejść przez zero. Pierwsza z nich jednak jest mało efektywna, gdyż często morfologia zespołów QRS jest bardzo zbliżona do siebie i żadna sieć neuronowa nie jest w stanie odróżnić ich od siebie. Druga natomiast cechuje się wysoką wydajnością. b) Zarys ogólny proponowanego rozwiązania. Przedstawimy poniżej wybrany algorytm detekcji QRS. Jest to prosta, ale zarazem skuteczna metoda wykorzystująca przetwarzanie sygnałów, oraz statystykę matematyczną. Detekcja QRS odbywa się w kilku krokach o których będzie mowa w tym dziale. -2-
3 c) Dyskusja alternatywnych rozwiązań. Jednym z licznych rozwiązań problemu detekcji QRS jest algorytm przejść przez zero. Każde element elektrokardiogramu cechuje się odmienną nie tylko amplitudą ale również częstotliwością, która jest zauważalnie mniejsza w przypadku zespołu QRS. Metoda ta oblicza lokalną częstotliwość sygnału i na jej podstawie określa, gdzie występuje zespół QRS. W celu uzyskania prawidłowego wyniku, sygnał jest początkowo poddawany transformacjom, które pozwalają na ekstrakcje odpowiednich cech. W pierwszej kolejności sygnał jest przesuwany tak aby oscylował wokół zera. Następnie do sygnału dodawana jest składowa o wysokiej częstotliwości w celu podkreślenia cech sygnału. Taki sygnał badany jest pod kątem częstotliwości lokalnej. Poruszające się okno o zadanej szerokości, zapisuje wartość częstotliwości. Powstaje wykres w którym spadki częstotliwości są bardzo zauważalne. Ostatnim krokiem jest dobór odpowiedniego progu, który informuje o tym w którym miejscu prawdopodobnie zaczyna się QRS. Algorytm generuje wyniki bardzo wysokiej jakości, rzędu 99%. 3. Koncepcja proponowanego rozwiązania W projekcie został użyty algorytm detekcji QRS z progiem adaptacyjnym. Jest to stosunkowo prosty, a zarazem skuteczna metoda detekcji zespołów QRS, wykorzystująca statystykę matematyczną w celu zwiększenia skuteczności działania. Detekcja QRS odbywa się w kilku etapach, których kolejność jest ściśle określona. Na samym początku sygnał wejściowy poddawany jest filtracji, podczas której usuwane są zakłócenia. Po odfiltrowaniu szumów, sygnał poddawany jest przekształceniom mającym na celu wykrycie i oznaczeniu miejsca największych wychyleń. Na koniec przy użyciu standardowego odchylenia, oraz mediany wybierane są najlepsze rozwiązanie, oraz liczba wykrytych zespołów. Poniżej przedstawiamy kolejne kroki omawianego algorytmu: I. Transformacja sygnału. 1. Sygnał S(n) należy podnieść do kwadratu: TS1(n) = S(n) * S(n), n=0,1,2 signallength 2. Na sygnał nakładamy okno prostokątne w o długości 11 próbek od n-5 do n+5, gdzie środkowym elementem jest n i przesuwamy wzdłuż sygnału obliczając dla każdej próbki: G1(n) = TS1(w) max TS1(w) min 3. Sygnał G1 poddajemy działaniu filtru uśredniającego: FG1(n) = n i= n 5 11 G 1( i) -3-
4 4. Obliczamy znormalizowane sygnały S, TS1, G1, FG1, dzieląc każdy z nich przez maksymalną wartość każdego z sygnałów. Rys 1.1 Znormalizowane wartości a) sygnału S, b) Sygnału TS1 kwadrat sygnał S, c) gradient G1 sygnału TS1 d) FG1 czyli przefiltrowanego gradientu G1 5. Sygnał S przekształcamy obliczając TS2: 2S ( n) TS2(n) = 1 (2 / e + 1) 6. Dla sygnału TS2 powtarzamy, punkt 2: G2(n) = TS2(w) max TS2(w) min 7. A następnie ponownie dla G2 stosujemy filtr uśredniający jak w punkcie 3. FG2(n) = n i= n 5 11 G 2( i) 8. Obliczamy znormalizowane wartości dla sygnałów TS2, G2, FG2-4-
5 Rys 1.2 Znormalizowane wartości a) sygnału S b) sygnału TS2 powstałego z nałożenia sigmoidy na sygnał S, c) G2 gradientu TS2, d) FG2 przefiltrowanego sygnału G2 9. Obliczamy sygnał TS3 mnożąc sygnały znormalizowane S i FG2: TS3(n) = FG2(n)*S(n) 10. Dla sygnału TS3 ponownie wykonujemy punkt 2 otrzymując G3: G3(n) = TS3(w) max TS3(w) min 11. Dla sygnału G3 ponownie wykonujemy punkt 3: FG3 = n i= n 5 11 G 3( i) 12. Obliczamy znormalizowane wartości sygnałów TS3, G3 i FG3. -5-
6 Rys 1.3 Znormalizowane wartości a) sygnału S, b) Iloczynu sygnałów FG oraz S, c) gradientu TS3, d) przefiltrowanego gradientu G Obliczamy sumę sygnałów FG1 oraz FG3: TS4(n) = FG1(n) + FG3(n) 13.2 Znajdujemy medianę m sygnału i odejmujemy ją od sygnału TS4: TS4m(n) = TS4(n) m 13.3 Normalizujemy sygnał TS4m Tworzymy sygnał FQ korzystając ze znormalizowanego sygnału TS4m: F Q TS4m, TS4m> ( n) = 0 Taka ekstrakcja cech sygnału pozwala na zastosowanie algorytmu detekcji kandydatów na QRS. II. Detekcja QRS Po filtracji sygnału możemy przystąpić do analizy sygnału pod kątem detekcji zespołów QRS. Pierwszym zadaniem jest wyszukanie wierzchołków o wartościach amplitud pozwalających zakwalifikować je jako kandydatów na QRS. 1. Wytyczamy Fq, który jest wektorem o długości odpowiadającej ilości próbek, w którym oznaczamy impulsem jednostkowym miejsce w sygnale, spełniające warunki funkcji: -6-
7 Wyznaczony Fq reprezentuje kandydata, na zespół QRS. 2. Definiujemy progi t21, t24, t27, t30, t33, t36, t39, t42, t45, t48,t51, t54, t57, t60 odpowiadające kolejno 21%, 24%, 27%, 30%, 33%, 36%, 39%, 42%, 45%, 48%, 51,% 54%, 57%. 60% maksymalnej wartości impulsu w znormalizowanym sygnale Fq, a następnie sprawdzamy je pod kątem poprawności. 3. Analizujemy każdy z progów tx osobno. Wyszukujemy w wyznaczonych wcześniej obszarach kandydujących do miana zespołu QRS największą amplitudę, a następnie porównujemy ją z wartością t otrzymaną poprzez wymnożenie progu przez maksymalną amplitudę całego sygnału. Gdy wartość kandydata przekracza próg oznaczamy to wpisując w tablicy Dq wartość jeden, pozostałe pozycje zerujemy. Liczba progów t może zostać zmniejszona dzięki czemu można przyspieszyć działanie algorytmu, jednak kosztem skuteczności. 4. Wyznaczony w taki sposób Dq dla wszystkich analizowanych kanałów sumujemy, zliczając ilość wystąpień wartości 1 w tablicy. Wynik otrzymany dla każdego kanału odpowiadać będzie liczbie wykrytych zespołów QRS. Mając te dane wykorzystujemy statystykę w celu selekcji najlepszego rozwiązania. Liczymy kolejno: a) Medianę (m1) i Standardowe Odchylenie (sd1) dla liczby wykrytych zespołów dla każdego kanału. b) Medianę (m2) i Standardowe odchylenie (sd2) dla mediany wykrytych zespołów (m1) c) Medianę (m3) i Standardowe odchylenie (sd3) dla standardowego odchylenia wykrytych zespołów (sd1) mediana i odchylenie sd1 dla wszystkich progów Ti. Ostatnim krokiem jest porównanie otrzymanych rezultatów, oraz wybór tego kanału i progu, dla którego odchylenie standardowe wynosi 0, w przypadku nie spełnienia tego warunku wybierany jest ten z najmniejszą wartością odchylenia. Mediana informuje o ilości wykrytych zespołów QRS dla danego kanału. Algorytm nie wydaje się być skomplikowany, jednak to jest jego główną zaletą. Skuteczność została potwierdzona na podstawie ręcznej weryfikacji wyników dla 125 próbek sygnałów z bazy -7-
8 CSE DataSet-3. Wnioski pokazały, że błąd w detekcji zespołów QRS dla podanego algorytmu znajduje się w granicy 1 procenta. 4. Rezultaty i wnioski Po implementacji i przetestowaniu poprawności algorytmu przeprowadzone zostały testy mające na celu sprawdzenie jego skuteczności. Na potrzeby projektu została udostępniona baza sygnałów, w której skład wchodziło 10 plików 3-kanałowych zapisów hotlerowskich. Każdy z nich o długości 15, 30, lub 60 min, częstotliwości próbkowania 128Hz i skali amplitudowej 1mV = 45 LSB. Dla każdego z podanych sygnałów dostarczone były także pliki z poprawnie wykrytymi punktami synchronizacji zespołów QRS, dzięki czemu można było porównać wyniki otrzymane przez nas. Dla większości sygnałów były one zadowalające, za wyjątkiem jednego 29_1. Naszym zdaniem jest to wynikiem bardzo dużej ilości artefaktów występującym w sygnale, lub błędnym pomiarem. Dodatkowo algorytm dla pierwszych 200 próbek zachowywał się niedeterministycznie i zdarzało się, że pomijał jeden lub dwa początkowe zespoły albo wykrywał takie, które faktycznie nie istaniały. Jeśli chodzi o jakoś wykrytych punktów synchronizacji algorytm sprawdzał niemal bezbłędnie. Występowały niewielkie przesunięcia względem wzorca (w granicach +- 2 próbki) jednak nie jest to próg błędu który nawet dla doświadczonego lekarza jest nie do wychwycenia. Podczas testów próbowaliśmy wprowadzać zmiany w algorytmie, mając na celu poprawienie skuteczności oraz efektywności. Ostatecznie udało nam się jedynie znaleźć wąskie gardło związane z szybkością działania, którym okazał się algorytm sortowania wykorzystany w liczeniu mediany. W celu sprawdzenia poprawności otrzymanych wyników względem danych referencyjnych, przeanalizowaliśmy ręcznie QRSów. Procent poprawnego wykrycia QRS jest bardzo wysoki i wynosi 98,72%. Poprawnie zostało wykrytych QRSów. W sumie błędnych QRSów było 199 w tym 132 wykryte QRS nie miały miejsca w sygnale a 67 nie zostało w ogóle wykrytych. Liczba QRSów True positive False Nagative False Positive Total Errors Procent FN Procent FP Detection Rate ,64% 1,268% 98,72% -8-
9 5. Podsumowanie Opisany algorytm doskonale znajduje zespoły QRS w sygnale EKG. Jego skuteczność jest bardzo wysoka i wynosi prawie 99%. Algorytm ten jest doskonałym wsparciem dla lekarzy w czasie stawiania diagnozy. Istnieje wiele rozwiązań opisanego problemu odnajdowania uderzeń serca, jednakże, prezentowany algorytm cechuje się niezwykle wysoką skutecznością. 6. Literatura [1] Lyons, Richard G., Wprowadzenie do cyfrowego przetwarzania sygnałów, Wydawnictwa Komunikacji i Łaczności, W-wa [2] B.-U. KÖHLER, C. HENNIG, R. ORGLMEISTER., QRS Detection Using Zero Crossing Counts, Biomedical Electronics Group, Department of Electrical Engineering, Berlin University of Technology, Berlin, Germany. [3] Department of Electronics & Communication Engineering Department of Electrical Engineering J.N. Vyas University, Jodhpur, India Mehta Detection of QRS Complexes using Adaptive Quantized Threshold 7. DODATEK A: Opis opracowanych narzędzi i metody postępowania 1. Format danych wynikowych. Algorytm detekcji QRS jest częścią programu realizującego również wyznaczenie morfologii qrs i klasyfikacji ich, detekcji arytmii czy analizy odcinka ST. W celu integracji danych z pozostałymi częściami została użyta poniższa struktura przechowywania danych. struct QRS_ATTR { int DetPt; //punkt detekcji char AMax; //wartosc korekcji maksimum zalamka R short localrr; //lokalna wartosc interwalu miedzyuderzeniowego [ms] Uchar HR; //wartosc HR (heart rate) char MorfT; //typ morfologii (wypelniany po klasyfikacji) short cl; //numer klasy morfologii char str[2*3]; // rezultat obliczen ST }; 8. DODATEK C: opis informatycznych procedur Funkcja: Opis: Data readdatafromfile(char* filepath) Metoda wczytuje parametry zapisane w pliku. -9-
10 Parametry: Char* filepath ścieŝka do pliku z danymi Return: Funkcja zwraca strukturę o nazwie Data, przechowującą sygnał i jego parametry. Funkcja: int countqrs(double *tablewithqrs, int length) Opis: Funkcja zliczająca wystąpienia WRS w sygnale podanym jako parametr Parametry: tablewithqrs tablica zawierająca dane sygnału. length długośc tablicy Return: Ilość wystapień QRS Funkcja: Qrs findqrs(qrs qrs) Opis: Główna funkcja implementująca prezentowany algorytm, wyliczająca wszystkie niezbędne parametry potrzebne do wykrycia zespołów w jednym kanale. Parametry: Qrs qrs struktura przechowująca wszystkie niezbędne informacje o zespole QRS Return: Zwracana jest struktura QRS z wykrytymi parametrami zespołu. -10-
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. PR04307 Temat projektu:
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Określenie
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów. Temat projektu: Klasyfikacja zespołów QRS Spis treści: 1.
Bardziej szczegółowoAutomatyczna klasyfikacja zespołów QRS
Przetwarzanie sygnałów w systemach diagnostycznych Informatyka Stosowana V Automatyczna klasyfikacja zespołów QRS Anna Mleko Tomasz Kotliński AGH EAIiE 9 . Opis zadania Tematem projektu było zaprojektowanie
Bardziej szczegółowoDetekcja zespołów QRS w sygnale elektrokardiograficznym
Detekcja zespołów QRS w sygnale elektrokardiograficznym 1 Wprowadzenie Zadaniem algorytmu detekcji zespołów QRS w sygnale elektrokardiograficznym jest określenie miejsc w sygnale cyfrowym w których znajdują
Bardziej szczegółowo1.ABSTRAKT REZULTATY I WNIOSKI PODSUMOWANIE LITERATURA...5 DODATEK C. OPIS INFORMATYCZNY PROCEDUR... 7
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Klasyfikacja
Bardziej szczegółowoPodstawy Przetwarzania Sygnałów
Adam Szulc 188250 grupa: pon TN 17:05 Podstawy Przetwarzania Sygnałów Sprawozdanie 6: Filtracja sygnałów. Filtry FIT o skończonej odpowiedzi impulsowej. 1. Cel ćwiczenia. 1) Przeprowadzenie filtracji trzech
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Obliczenie
Bardziej szczegółowoDetekcja zmienności rytmu serca
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Temat projektu: Przetwarzanie sygnałów w systemach diagnostyki medycznej PR04307
Bardziej szczegółowoPL B1. Sposób i układ pomiaru całkowitego współczynnika odkształcenia THD sygnałów elektrycznych w systemach zasilających
RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 210969 (13) B1 (21) Numer zgłoszenia: 383047 (51) Int.Cl. G01R 23/16 (2006.01) G01R 23/20 (2006.01) Urząd Patentowy Rzeczypospolitej Polskiej (22)
Bardziej szczegółowoP R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H
W O J S K O W A A K A D E M I A T E C H N I C Z N A W Y D Z I A Ł E L E K T R O N I K I Drukować dwustronnie P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H Grupa... Data wykonania
Bardziej szczegółowoZastosowanie Informatyki w Medycynie
Zastosowanie Informatyki w Medycynie Dokumentacja projektu wykrywanie bicia serca z sygnału EKG. (wykrywanie załamka R) Prowadzący: prof. dr hab. inż. Marek Kurzyoski Grupa: Jakub Snelewski 163802, Jacek
Bardziej szczegółowo3. KONCEPCJA PROPONOWANEGO ROZWIĄZANIA...6 7. DODATEK A: OPIS OPRACOWANYCH NARZĘDZI I METODY POSTĘPOWANIA...10
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. ST_ANA Temat projektu:
Bardziej szczegółowoKompresja dźwięku w standardzie MPEG-1
mgr inż. Grzegorz Kraszewski SYSTEMY MULTIMEDIALNE wykład 7, strona 1. Kompresja dźwięku w standardzie MPEG-1 Ogólne założenia kompresji stratnej Zjawisko maskowania psychoakustycznego Schemat blokowy
Bardziej szczegółowoTeoria przetwarzania A/C i C/A.
Teoria przetwarzania A/C i C/A. Autor: Bartłomiej Gorczyński Cyfrowe metody przetwarzania sygnałów polegają na przetworzeniu badanego sygnału analogowego w sygnał cyfrowy reprezentowany ciągiem słów binarnych
Bardziej szczegółowoSpośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy prosty i skuteczny.
Filtracja nieliniowa może być bardzo skuteczną metodą polepszania jakości obrazów Filtry nieliniowe Filtr medianowy Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY Metoda K Najbliższych Sąsiadów K-Nearest Neighbours (KNN) ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoAlgorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury. Paweł Kobojek, prof. dr hab. inż. Khalid Saeed
Algorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury Paweł Kobojek, prof. dr hab. inż. Khalid Saeed Zakres pracy Przegląd stanu wiedzy w dziedzinie biometrii, ze szczególnym naciskiem
Bardziej szczegółowoIMPLEMENTATION OF THE SPECTRUM ANALYZER ON MICROCONTROLLER WITH ARM7 CORE IMPLEMENTACJA ANALIZATORA WIDMA NA MIKROKONTROLERZE Z RDZENIEM ARM7
Łukasz Deńca V rok Koło Techniki Cyfrowej dr inż. Wojciech Mysiński opiekun naukowy IMPLEMENTATION OF THE SPECTRUM ANALYZER ON MICROCONTROLLER WITH ARM7 CORE IMPLEMENTACJA ANALIZATORA WIDMA NA MIKROKONTROLERZE
Bardziej szczegółowoBIBLIOTEKA PROGRAMU R - BIOPS. Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat
BIBLIOTEKA PROGRAMU R - BIOPS Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat Biblioteka biops zawiera funkcje do analizy i przetwarzania obrazów. Operacje geometryczne (obrót, przesunięcie,
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY Metoda K Najbliższych Sąsiadów K-Nearest Neighbours (KNN) ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoImplementacja filtru Canny ego
ANALIZA I PRZETWARZANIE OBRAZÓW Implementacja filtru Canny ego Autor: Katarzyna Piotrowicz Kraków,2015-06-11 Spis treści 1. Wstęp... 1 2. Implementacja... 2 3. Przykłady... 3 Porównanie wykrytych krawędzi
Bardziej szczegółowo4. Funkcje. Przykłady
4. Funkcje Przykłady 4.1. Napisz funkcję kwadrat, która przyjmuje jeden argument: długość boku kwadratu i zwraca pole jego powierzchni. Używając tej funkcji napisz program, który obliczy pole powierzchni
Bardziej szczegółowoGenerowanie sygnałów na DSP
Zastosowania Procesorów Sygnałowych dr inż. Grzegorz Szwoch greg@multimed.org p. 732 - Katedra Systemów Multimedialnych Generowanie sygnałów na DSP Wstęp Dziś w programie: generowanie sygnałów za pomocą
Bardziej szczegółowo1. ABSTRAKT REZULTATY I WNIOSKI PODSUMOWANIE LITERATURA DODATEK C: OPIS INFORMATYCZNY PROCEDUR...
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Wyznaczanie
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 8 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej szczegółowoPraca dyplomowa. Program do monitorowania i diagnostyki działania sieci CAN. Temat pracy: Temat Gdańsk Autor: Łukasz Olejarz
Temat Gdańsk 30.06.2006 1 Praca dyplomowa Temat pracy: Program do monitorowania i diagnostyki działania sieci CAN. Autor: Łukasz Olejarz Opiekun: dr inż. M. Porzeziński Recenzent: dr inż. J. Zawalich Gdańsk
Bardziej szczegółowoTRANSFORMACJE I JAKOŚĆ DANYCH
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING TRANSFORMACJE I JAKOŚĆ DANYCH Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoAKADEMIA MORSKA KATEDRA NAWIGACJI TECHNICZEJ
AKADEMIA MORSKA KATEDRA NAWIGACJI TECHNICZEJ ELEMETY ELEKTRONIKI LABORATORIUM Kierunek NAWIGACJA Specjalność Transport morski Semestr II Ćw. 2 Filtry analogowe układy całkujące i różniczkujące Wersja opracowania
Bardziej szczegółowoZaawansowane algorytmy DSP
Zastosowania Procesorów Sygnałowych dr inż. Grzegorz Szwoch greg@multimed.org p. 732 - Katedra Systemów Multimedialnych Zaawansowane algorytmy DSP Wstęp Cztery algorytmy wybrane spośród bardziej zaawansowanych
Bardziej szczegółowoZjawisko aliasingu. Filtr antyaliasingowy. Przecieki widma - okna czasowe.
Katedra Mechaniki i Podstaw Konstrukcji Maszyn POLITECHNIKA OPOLSKA Komputerowe wspomaganie eksperymentu Zjawisko aliasingu.. Przecieki widma - okna czasowe. dr inż. Roland PAWLICZEK Zjawisko aliasingu
Bardziej szczegółowoSYMULATOR EKG. Bartłomiej Bielecki 1, Marek Zieliński 2, Paweł Mikołajaczak 1,3
SYMULATOR EKG Bartłomiej Bielecki 1, Marek Zieliński 2, Paweł Mikołajaczak 1,3 1. Państwowa Wyższa Szkoła Zawodowa w Chełmie 2. Państwowy Szpital im. Ludwika Rydygiera w Chełmie 3. Uniwersytet Marii Curie-Skłodowskiej
Bardziej szczegółowoPolitechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 8. Filtracja uśredniająca i statystyczna.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 8 Filtracja uśredniająca i statystyczna. Cel ćwiczenia Celem ćwiczenia jest zdobycie umiejętności tworzenia i wykorzystywania
Bardziej szczegółowoĆwiczenie 4. Filtry o skończonej odpowiedzi impulsowej (SOI)
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 4. Filtry o skończonej odpowiedzi impulsowej (SOI) 1. Filtracja cyfrowa podstawowe
Bardziej szczegółowoRAPORT KOŃCOWY 3. KONCEPCJA PROPONOWANEGO ROZWIĄZANIA DODATEK A: OPIS OPRACOWANYCH NARZĘDZI I METODY POSTĘPOWANIA... 14
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Określenie
Bardziej szczegółowoProcesy ETL. 10maja2009. Paweł Szołtysek
Procesy 10maja2009 Paweł Szołtysek 1/12 w praktyce w praktyce 2/12 Zagadnienie Business Inteligence w praktyce 3/12 Czym jest proces? w praktyce Dane: dowolny zbiór danych ze źródeł zewnętrznych. Szukane:
Bardziej szczegółowoLaboratorium Przetwarzania Sygnałów
PTS - laboratorium Laboratorium Przetwarzania Sygnałów Ćwiczenie 4 Transformacja falkowa Opracował: - prof. dr hab. inż. Krzysztof Kałużyński Zakład Inżynierii Biomedycznej Instytut Metrologii i Inżynierii
Bardziej szczegółowoAnaliza korespondencji
Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy
Bardziej szczegółowoAlgorytmy detekcji częstotliwości podstawowej
Algorytmy detekcji częstotliwości podstawowej Plan Definicja częstotliwości podstawowej Wybór ramki sygnału do analizy Błędy oktawowe i dokładnej estymacji Metody detekcji częstotliwości podstawowej czasowe
Bardziej szczegółowoWydział Elektryczny. Katedra Telekomunikacji i Aparatury Elektronicznej. Konstrukcje i Technologie w Aparaturze Elektronicznej.
Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Konstrukcje i Technologie w Aparaturze Elektronicznej Ćwiczenie nr 5 Temat: Przetwarzanie A/C. Implementacja
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoPolitechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 6. Transformata cosinusowa. Krótkookresowa transformata Fouriera.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 6 Transformata cosinusowa. Krótkookresowa transformata Fouriera. Cel ćwiczenia Celem ćwiczenia jest zapoznanie studentów
Bardziej szczegółowoAkademia Górniczo - Hutnicza im. Stanisława Staszica w Krakowie. Projekt. z przedmiotu Analiza i Przetwarzanie Obrazów
30 czerwca 2015 Akademia Górniczo - Hutnicza im. Stanisława Staszica w Krakowie Projekt z przedmiotu Analiza i Przetwarzanie Obrazów Wykrywanie tablic rejestracyjnych Jagieła Michał IS (GKiPO) Michał Jagieła
Bardziej szczegółowo1. Eliminuje się ze zbioru potencjalnych zmiennych te zmienne dla których korelacja ze zmienną objaśnianą jest mniejsza od krytycznej:
Metoda analizy macierzy współczynników korelacji Idea metody sprowadza się do wyboru takich zmiennych objaśniających, które są silnie skorelowane ze zmienną objaśnianą i równocześnie słabo skorelowane
Bardziej szczegółowoSYSTEM BIOMETRYCZNY IDENTYFIKUJĄCY OSOBY NA PODSTAWIE CECH OSOBNICZYCH TWARZY. Autorzy: M. Lewicka, K. Stańczyk
SYSTEM BIOMETRYCZNY IDENTYFIKUJĄCY OSOBY NA PODSTAWIE CECH OSOBNICZYCH TWARZY Autorzy: M. Lewicka, K. Stańczyk Kraków 2008 Cel pracy projekt i implementacja systemu rozpoznawania twarzy, który na podstawie
Bardziej szczegółowoAdrian Horzyk
Metody Inteligencji Obliczeniowej Metoda K Najbliższych Sąsiadów (KNN) Adrian Horzyk horzyk@agh.edu.pl AGH Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoRozpoznawanie obrazów na przykładzie rozpoznawania twarzy
Rozpoznawanie obrazów na przykładzie rozpoznawania twarzy Wykorzystane materiały: Zadanie W dalszej części prezentacji będzie omawiane zagadnienie rozpoznawania twarzy Problem ten można jednak uogólnić
Bardziej szczegółowoODRĘBNA KOMPRESJA WYŻSZYCH OKTAW ELEKTROKARDIOGRAMU
ODRĘBNA KOMPRESJA WYŻSZYCH OKTAW ELEKTROKARDIOGRAMU Piotr Augustyniak Katedra Automatyki AGH, 30-059 Kraków, Mickiewicza 30, e_mail: august@biocyb.ia.agh.edu.pl Streszczenie Przedmiotem referatu jest algorytm
Bardziej szczegółowoPrzetwarzanie analogowo-cyfrowe sygnałów
Przetwarzanie analogowo-cyfrowe sygnałów A/C 111111 1 Po co przekształcać sygnał do postaci cyfrowej? Można stosować komputerowe metody rejestracji, przetwarzania i analizy sygnałów parametry systemów
Bardziej szczegółowoKARTA PRZEDMIOTU. Techniki przetwarzania sygnałów, D1_3
KARTA PRZEDMIOTU 1. Informacje ogólne Nazwa przedmiotu i kod (wg planu studiów): Nazwa przedmiotu (j. ang.): Kierunek studiów: Specjalność/specjalizacja: Poziom kształcenia: Profil kształcenia: Forma studiów:
Bardziej szczegółowoWydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej
Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Instrukcja do zajęć laboratoryjnych z przedmiotu: Przetwarzanie Sygnałów Kod: TS1A400027 Temat ćwiczenia:
Bardziej szczegółowoFiltracja obrazu operacje kontekstowe
Filtracja obrazu operacje kontekstowe Główne zadania filtracji Usunięcie niepożądanego szumu z obrazu Poprawa ostrości Usunięcie określonych wad obrazu Poprawa obrazu o złej jakości technicznej Rekonstrukcja
Bardziej szczegółowoSPRZĘTOWA REALIZACJA FILTRÓW CYFROWYCH TYPU SOI
1 ĆWICZENIE VI SPRZĘTOWA REALIZACJA FILTRÓW CYFROWYCH TYPU SOI (00) Celem pracy jest poznanie sposobu fizycznej realizacji filtrów cyfrowych na procesorze sygnałowym firmy Texas Instruments TMS320C6711
Bardziej szczegółowoĆwiczenie 11. Podstawy akwizycji i cyfrowego przetwarzania sygnałów. Program ćwiczenia:
Ćwiczenie 11 Podstawy akwizycji i cyfrowego przetwarzania sygnałów Program ćwiczenia: 1. Konfiguracja karty pomiarowej oraz obserwacja sygnału i jego widma 2. Twierdzenie o próbkowaniu obserwacja dwóch
Bardziej szczegółowoW tym celu korzystam z programu do grafiki wektorowej Inkscape 0.46.
1. Wprowadzenie Priorytetem projektu jest zbadanie zależności pomiędzy wartościami średnich szybkości przemieszczeń terenu, a głębokością eksploatacji węgla kamiennego. Podstawowe dane potrzebne do wykonania
Bardziej szczegółowoCOMARCH HOLTER. System telemedyczny do rejestracji i analizy badań Holter EKG
COMARCH HOLTER System telemedyczny do rejestracji i analizy badań Holter EKG COMARCH HOLTER Comarch Holter to system do diagnostyki pracy serca, który łączy rejestratory i nowoczesną aplikację do analizy
Bardziej szczegółowoSystem detekcji i analizowania osobliwości w sygnale cyfrowym
System detekcji i analizowania osobliwości w sygnale cyfrowym Wydział Informatyki, Politechnika Białostocka dr hab. inż. Waldemar Rakowski, prof. ndzw. dr inż. Paweł Tadejko inż. Michał Januszewski /4/20
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
Bardziej szczegółowoOperacje morfologiczne w przetwarzaniu obrazu
Przekształcenia morfologiczne obrazu wywodzą się z morfologii matematycznej działu matematyki opartego na teorii zbiorów Wykorzystuje się do filtracji morfologicznej, wyszukiwania informacji i analizy
Bardziej szczegółowo1. ABSTRAKT WSTĘP KONCEPCJA PROPONOWANEGO ROZWIĄZANIA REZULTATY I WNIOSKI PODSUMOWANIE LITERATURA...
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Dedykowane algorytmy diagnostyki medycznej. Temat projektu: Detekcja zmienności
Bardziej szczegółowoWydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej
Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Instrukcja do zajęć laboratoryjnych z przedmiotu: Przetwarzanie Sygnałów Kod: TS1A400027 Temat ćwiczenia:
Bardziej szczegółowoAnaliza i Przetwarzanie Biosygnałów
Analiza i Przetwarzanie Biosygnałów Sygnał EKG Historia Luigi Galvani (1737-1798) włoski fizyk, lekarz, fizjolog 1 Historia Carlo Matteucci (1811-1868) włoski fizyk, neurofizjolog, pionier badań nad bioelektrycznością
Bardziej szczegółowo7. Szybka transformata Fouriera fft
7. Szybka transformata Fouriera fft Dane pomiarowe sygnałów napięciowych i prądowych często obarczone są dużym błędem, wynikającym z istnienia tak zwanego szumu. Jedną z metod wspomagających analizę sygnałów
Bardziej szczegółowoWykrywanie twarzy na zdjęciach przy pomocy kaskad
Wykrywanie twarzy na zdjęciach przy pomocy kaskad Analiza i przetwarzanie obrazów Sebastian Lipnicki Informatyka Stosowana,WFIIS Spis treści 1. Wstęp... 3 2. Struktura i funkcjonalnośd... 4 3. Wyniki...
Bardziej szczegółowoSCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie.
SCENARIUSZ LEKCJI OPRACOWANY W RAMACH PROJEKTU: INFORMATYKA MÓJ SPOSÓB NA POZNANIE I OPISANIE ŚWIATA. PROGRAM NAUCZANIA INFORMATYKI Z ELEMENTAMI PRZEDMIOTÓW MATEMATYCZNO-PRZYRODNICZYCH Autorzy scenariusza:
Bardziej szczegółowoCYFROWE PRZETWARZANIE SYGNAŁÓW
POLITECHNIKA RZESZOWSKA im. I. Łukasiewicza WYDZIAŁ ELEKTROTECHNIKI I INFORMATYKI Katedra Metrologii i Systemów Diagnostycznych CYFROWE PRZETWARZANIE SYGNAŁÓW Analiza korelacyjna sygnałów dr hab. inż.
Bardziej szczegółowoRozdział 1 PROGRAMOWANIE LINIOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 1 PROGRAMOWANIE LINIOWE 1.2 Ćwiczenia komputerowe Ćwiczenie 1.1 Wykorzystując
Bardziej szczegółowoANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU
ANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU obraz dr inż. Jacek Naruniec Analiza Składowych Niezależnych (ICA) Independent Component Analysis Dąży do wyznaczenia zmiennych niezależnych z obserwacji Problem opiera
Bardziej szczegółowo4 Zasoby językowe Korpusy obcojęzyczne Korpusy języka polskiego Słowniki Sposoby gromadzenia danych...
Spis treści 1 Wstęp 11 1.1 Do kogo adresowana jest ta książka... 12 1.2 Historia badań nad mową i językiem... 12 1.3 Obecne główne trendy badań... 16 1.4 Opis zawartości rozdziałów... 18 2 Wyzwania i możliwe
Bardziej szczegółowoAutomatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych
Automatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych autor: Robert Drab opiekun naukowy: dr inż. Paweł Rotter 1. Wstęp Zagadnienie generowania trójwymiarowego
Bardziej szczegółowoAlgorytmy i złożoności. Wykład 3. Listy jednokierunkowe
Algorytmy i złożoności Wykład 3. Listy jednokierunkowe Wstęp. Lista jednokierunkowa jest strukturą pozwalającą na pamiętanie danych w postaci uporzadkowanej, a także na bardzo szybkie wstawianie i usuwanie
Bardziej szczegółowoĆWICZENIE nr 3. Badanie podstawowych parametrów metrologicznych przetworników analogowo-cyfrowych
Politechnika Łódzka Katedra Przyrządów Półprzewodnikowych i Optoelektronicznych WWW.DSOD.PL LABORATORIUM METROLOGII ELEKTRONICZNEJ ĆWICZENIE nr 3 Badanie podstawowych parametrów metrologicznych przetworników
Bardziej szczegółowoInstrukcja obsługi programu SWWS autorstwa Michała Krzemińskiego
Instrukcja obsługi programu SWWS autorstwa Michała Krzemińskiego Krótkie informacje o programie można znaleźć zarówno w pliku readme.txt zamieszczonym w podkatalogu DANE jak i w zakładce O programie znajdującej
Bardziej szczegółowoZakładamy, że są niezależnymi zmiennymi podlegającymi (dowolnemu) rozkładowi o skończonej wartości oczekiwanej i wariancji.
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Centralne Twierdzenie Graniczne 1.1 Twierdzenie Lindeberga Levy'ego 1.2 Dowód 1.2.1 funkcja tworząca sumy zmiennych niezależnych 1.2.2 pochodna funkcji
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoAKADEMIA GÓRNICZO HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE. Międzywydziałowa Szkoła Inżynierii Biomedycznej. Raport końcowy projektu
AKADEMIA GÓRNICZO HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE Międzywydziałowa Szkoła Inżynierii Biomedycznej Raport końcowy projektu Detekcja i synchronizacja reprezentacji uderzeń serca (zespołu QRS)
Bardziej szczegółowoLABORATORIUM PODSTAW TELEKOMUNIKACJI
WOJSKOWA AKADEMIA TECHNICZNA im. Jarosława Dąbrowskiego w Warszawie Wydział Elektroniki LABORATORIUM PODSTAW TELEKOMUNIKACJI Grupa Podgrupa Data wykonania ćwiczenia Ćwiczenie prowadził... Skład podgrupy:
Bardziej szczegółowooperacje porównania, a jeśli jest to konieczne ze względu na złe uporządkowanie porównywanych liczb zmieniamy ich kolejność, czyli przestawiamy je.
Problem porządkowania zwanego również sortowaniem jest jednym z najważniejszych i najpopularniejszych zagadnień informatycznych. Dane: Liczba naturalna n i ciąg n liczb x 1, x 2,, x n. Wynik: Uporządkowanie
Bardziej szczegółowoWykład 4: Statystyki opisowe (część 1)
Wykład 4: Statystyki opisowe (część 1) Wprowadzenie W przypadku danych mających charakter liczbowy do ich charakterystyki można wykorzystać tak zwane STATYSTYKI OPISOWE. Za pomocą statystyk opisowych można
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY WALIDACJA KRZYŻOWA dla ZAAWANSOWANEGO KLASYFIKATORA KNN ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoWykład XII. optymalizacja w relacyjnych bazach danych
Optymalizacja wyznaczenie spośród dopuszczalnych rozwiązań danego problemu, rozwiązania najlepszego ze względu na przyjęte kryterium jakości ( np. koszt, zysk, niezawodność ) optymalizacja w relacyjnych
Bardziej szczegółowoLaboratorium MATLA. Ćwiczenie 6 i 7. Mała aplikacja z GUI
Laboratorium MATLA Ćwiczenie 6 i 7 Mała aplikacja z GUI Opracowali: - dr inż. Beata Leśniak-Plewińska dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej Instytut Metrologii i Inżynierii Biomedycznej
Bardziej szczegółowoTEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI 16/01/2017 WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Repetytorium złożoność obliczeniowa 2 Złożoność obliczeniowa Notacja wielkie 0 Notacja Ω i Θ Rozwiązywanie
Bardziej szczegółowoPraca dyplomowa magisterska
Praca dyplomowa magisterska Implementacja algorytmów filtracji adaptacyjnej o strukturze transwersalnej na platformie CUDA Dyplomant: Jakub Kołakowski Opiekun pracy: dr inż. Michał Meller Plan prezentacji
Bardziej szczegółowoAby mieć możliwość przeglądania danych z 12 kanałów rejestrator powinien być ustawiony na 12-kanałowy tryb pracy. Dostępne tryby 12-kanałowe to:
Dane 12-kanałowe Oprogramowanie Holter LX umożliwia przeglądanie i edycję 12-kanałowego zapisu zarejestrowanego za pomocą rejestratora DR-180+ przy użyciu jednego z trybów rejestracji 12-kanałowej. Dane
Bardziej szczegółowoAnaliza metod wykrywania przekazów steganograficznych. Magdalena Pejas Wydział EiTI PW magdap7@gazeta.pl
Analiza metod wykrywania przekazów steganograficznych Magdalena Pejas Wydział EiTI PW magdap7@gazeta.pl Plan prezentacji Wprowadzenie Cel pracy Tezy pracy Koncepcja systemu Typy i wyniki testów Optymalizacja
Bardziej szczegółowoElektrofizjologiczne podstawy lokalizacji ogniska padaczkowego. Piotr Walerjan
Elektrofizjologiczne podstawy lokalizacji ogniska padaczkowego Piotr Walerjan Elektrofizjologia w padaczce Dlaczego stosujemy metody elektrofizjologiczne w diagnostyce padaczki? Ognisko padaczkowe Lokalizacja
Bardziej szczegółowoWydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej
Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Instrukcja do zajęć laboratoryjnych z przedmiotu: Przetwarzanie Sygnałów Kod: TS1C400027 Temat ćwiczenia:
Bardziej szczegółowoMetody Inżynierii Wiedzy
Metody Inżynierii Wiedzy Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie AGH University of Science and Technology Mateusz Burcon Kraków, czerwiec 2017 Wykorzystane technologie Python 3.4
Bardziej szczegółowoKOMPUTEROWE TECHNIKI ANALIZY INFORMACJI ZAWARTEJ W SYGNAŁACH AKUSTYCZNYCH MASZYN ELEKTRYCZNYCH DLA CELÓW DIAGNOSTYKI STANÓW PRZEDAWARYJNYCH
1. Praca Adam Głowacz z roku 2013 str. 1-4 2. Praca Witold Głowacz z roku 2017 str. 1-4 AKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE AKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE
ZAGADNIENIE TRANSPORTOWE ZT jest specyficznym problemem z zakresu zastosowań programowania liniowego. ZT wykorzystuje się najczęściej do: optymalnego planowania transportu towarów, przy minimalizacji kosztów,
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoDefinicje. Algorytm to:
Algorytmy Definicje Algorytm to: skończony ciąg operacji na obiektach, ze ściśle ustalonym porządkiem wykonania, dający możliwość realizacji zadania określonej klasy pewien ciąg czynności, który prowadzi
Bardziej szczegółowoLaboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 9. Przetwarzanie sygnałów wizyjnych. Politechnika Świętokrzyska.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 9 Przetwarzanie sygnałów wizyjnych. Cel ćwiczenia Celem ćwiczenia jest zapoznanie studentów z funkcjami pozwalającymi na
Bardziej szczegółowoPROCESORY SYGNAŁOWE - LABORATORIUM. Ćwiczenie nr 04
PROCESORY SYGNAŁOWE - LABORATORIUM Ćwiczenie nr 04 Obsługa buforów kołowych i implementacja filtrów o skończonej i nieskończonej odpowiedzi impulsowej 1. Bufor kołowy w przetwarzaniu sygnałów Struktura
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie QRS_DET. Spis treści. WEAIiE, Katedra Automatyki. Laboratorium Biocybernetyki
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej Temat: Detekcja i synchronizacja
Bardziej szczegółowo