Tutvustada levinumate füsioloogiliste signaalide (EEG, ERP, EKG, SLM) töötlemiseks ja analüüsiks kasutatavaid lineaarseid ja mittelineaarseid meetodeid ning anda oskused nende iseseisvaks kasutamiseks biomeditsiiniga seotud probleemide lahendamiseks.

To give an introduction to linear and nonlinear methods used for processing and analysis of widely known physiological signals (EEG, ERP, ECG, HRV) and to develop skills for using those to independently solve the problems encountered in the field of biomedical engineering.

Õppeaine läbinud üliõpilane:
- tunneb EEG ja EKG signaalis enamlevinumaid mürasid ja artefakte ning oskab valida sobivaid meetodeid nende eemaldamiseks;
- valib sobivaid meetodeid EEG võimsusspektri hindamiseks ning oskab sellest arvutada erinevaid parameetreid;
- rakendab ja võrdleb erinevaid meetodeid signaalide aeg-sagedus analüüsil;
- rakendab peamiseid ERP töötlusvõtteid, tunneb nende eeliseid ja puuduseid;
- oskab detekteerida EKG signaalist QRS komplekse ning arvutada RR intervalle, millest omakorda SLM signaali;
- rakendab lihtsamaid mittelineaarse dünaamika meetodeid;
- rakendab lihtsamaid signaalide klasterdamise ja klassifitseerimismeetodeid;
- omab paremat erialast eneseväljendusoskust kõnes ja kirjas.

After successful completion of the course, the student can:
- recognise most common noise and artefact patterns in EEG & ECG signals and is capable of selecting proper artefacts removal methods;
- select proper methods for estimating the power spectrum of EEG signal and can compute various parameters from it;
- use and compare various methods of time-frequency analysis of signals;
- apply common methods of processing of ERP and can compare the advantages and disadvantages of those methods;
- detect QRS complexes from ECG signal, compute RR intervals and HRV signal;
- implements simpler methods of nonlinear dynamics;
- implements simpler signal clustering and classification methods;
- express himself better in professional communication orally as well as in written form.

Aine läbimise käigus kinnistatakse loengus käsitletud signaalitöötlusmeetodeid, lahendades selleks väiksemaid praktilisi ülesandeid (MatLab) ning suuremaid praktikumitöid (MatLab).
Loengus käsitletakse aju ja südame bioelektriliste signaalide näitel (EEG, EKG) signaalide teket ja kasutusvaldkondi, mürade ja artefaktide eemaldamist signaalidest, signaalidele võimsusspektri hinnangu leidmist ning võimsusspektrist arvutatavaid parameetreid, millele lisandub ka aeg-sagedus analüüs erinevate meetoditega.
Uuritakse meetodeid, mida kasutada esilekutsutud potentsiaalide tuvastamiseks EEGst ning meetodeid, millega ERP signaale töödelda.
Käsitletakse signaalilõikudele tunnusjoonte arvutamist, signaalide morfoloogilist analüüsi.
Lisaks tuvastatakse EKG signaalist QRS kompleks ning teostatakse RR-intervallide analüüs ning SLM signaali arvutamine ning töötlus.
Rakendatakse lihtsamaid mittelineaarse dünaamika meetodeid ning sõltumatute komponendtide analüüsi juures kaetakse ka kovariatsioon, koherentsus ja kõrgemat järku statistikud.
Viimaseks antakse ülevaade erinevatest klasterdamise ja klassifitseerimismeetoditest.

During the course the topics covered in lectures will be implemented in solving smaller practical assignments (MatLab) and more complex lab assignments (MatLab).
In lectures, the topics’ focus is on brain and heart bioelectrical signals (EEG, ECG), while covering the generation of signals and their usage, removal of noise and artefacts, estimation of power spectrum and calculating different parameters from that spectrum. In addition, time-frequency analysis with different methods is performed.
Next, the methods to detect ERP signal from EEG and also the following processing of ERPs are studied.
Then, the QRS complex is detected from the ECG signal, followed by analysis of RR intervals and calculation and processing of the HRV signal.
Followed by quick look into calculation of signal segments’ characteristics and morphological analysis.
The easier methods of non-linear dynamics will be implemented and for the method of independent component analysis, also the covariance, coherence and higher-order statistics are covered.
In the end, an overview of different clustering and classification methods are given.

Eksamile lubamise eelduseks on õppeaines ettenähtud väiksemate koduste praktiliste ülesannete lahendamine (MatLab), praktikumitööde teostamine ja kaitsmine (MatLab), referaadi koostamine ja referaadi alusel ettekande tegemine.

Examination. The prerequisites for the examination are completion of smaller practical home assignments and more complex lab assignments, defence of those results, writing a paper and making a presentation.

Koduste praktiliste ülesannete lahendamine, praktikumitöödeks ettevalmistumine, referaadi koostamine ja ettekandmiseks valmistumine.

Practical home assignments, preparations for lab assignments, writing a paper and preparing for an oral presentation.

L. Sörnmo and P. Laguna. Bioelectrical Signal Processing in Cardiac and Neurological Applications, 1st edition, Academic Press, 2005.
E. Bruce. Biomedical Signal Processing and Signal Modeling. John Wiley & Sons, Inc., 2001.

-