Wir haben nämlich heute mal zum Aufwärmen einen kleinen Kurztest, letzte Vorlesung, sondern

so einen kleinen Denkanstoß, damit Sie da schon mal drüber nachdenken können, bevor

wir das dann gleich in der Vorlesung besprechen.

Ich habe hier eine App dabei für ein iPhone, die realisiert eine ganz kleine biomedizinische

Funktion.

Nennt sich Heart Fitness.

Funktioniert so, dass man seinen Finger hinten auf die iPhone-Kamera legen kann.

Wenn ich jetzt hier auf Mesher gehe, dann geht das Licht an.

Ich lege jetzt hier meinen Finger drauf.

Und dann misst die was.

Funktioniert nicht so richtig, wie ich das jetzt will.

Es liegt mir an, dass ich das jetzt so komisch halten muss hier.

Wenn man das dann in Ruhe hält und gut funktioniert, gibt es einem über die Smartphone-Kamera

den Puls an.

Schauen wir uns später ein bisschen genauer an.

Mal sehen, wie das funktioniert.

Wir können sich in der Zwischenzeit schon mal überlegen, wie Sie das implementieren

würden und wie Sie es validieren würden, wenn Sie so eine App schreiben würden.

Aber wir gucken uns das später genauer an.

Bis dahin noch mal eine kurze Zusammenfassung von der letzten Vorlesung und ein paar Inhalte

in der Klassifikation, die ich noch ansprechen möchte.

Ich möchte wie gesagt nicht die gesamten Klassifikationsunterlagen durchnehmen.

Ich denke, das ist für die Prüfung nicht wichtig und für Verständnis der biomedizinischen

Signalanalyse ist es nur wichtig, dass es diesen Vorgang gibt, um dann zum Beispiel

pathologische von physiologischen Fällen unterscheiden zu können.

Wir haben das letzte Mal die Pipeline der Mustererkennung besprochen.

Wir haben da so schön angefangen mit einem Weltkugelsymbol.

Das heißt, wir haben irgendwelche Informationen über Vorgänge der realen Welt.

Und dann Sensoren, um diese reale Welt quasi in Daten abzubilden.

Und verboten.

haben wir eine Merkmalsberechnung, und schlussendlich eine Klassifikation.

Das lässt sich wunderschön darauf abbilden, was wir in der Vorlesung besprochen haben.

Wir haben in dem ersten Teil der Vorlesung besprochen,

wie sich biomedizinische Signale überhaupt generieren, um zu verstehen, welche Signaleigenschaften es gibt und was denn wichtig sein könnte in der nachfolgenden Analyse.

Wir haben uns dann die Messung angesehen, um auch zu verstehen, was denn vielleicht bei der Messung von Signalen durch Sensoren passiert.

Ich kann nicht die ganze Welt abbilden, ich kann nicht alle Informationen in digitale Systeme holen,

sondern ich verliere Informationen durch Abtastung.

Ich verliere Informationen dadurch, dass zum Beispiel biomedizinische Elektroden, Silbersilberchloridelektroden zum Beispiel eine Übertragungsfunktion haben.

Das heißt, da verliere ich gewisse Frequenzanteile eines Signals.

Das war der Teil Messung.

Dann haben wir uns in dem großen Rattenschwanz der Musterkennung, wie er hier dasteht, die Analyse von Signalen genauer angeschaut.

Wir haben uns hier in der Vorverarbeitung Filter und Wavelets angesehen.

Wir haben uns auch darüber unterhalten, wie wir die Signale so zerlegen können, dass sie vielleicht in kleineren Häppchen für die Merkmalsberechnung besser geeignet sind.

Also Ereigniserkennung bzw. wie es auch heißt, Segmentierung.

Dann können wir aus dem Signal Merkmale berechnen.

Merkmalsberechnung hieß bei uns Wellenformanalyse, weil es mehrere Möglichkeiten gibt, Merkmale zu berechnen.

Und am Schluss dann natürlich Klassifikation.

Denn wenn wir die Merkmale aus den Signalen, die wir digital vorliegen haben, berechnet haben, sind wir relativ einfach in der Lage, auch Entscheidungssysteme zu bauen,

die automatisiert dann ein neues biomedizinisches Signal, was ich in einer Studie messe oder was ich an den Patienten messe, dann in bestimmte Fälle einzuteilen.

Nämlich zum Beispiel liegt da ein gesunder Herzschlag vor oder liegt da ein pathologischer Herzschlag vor.