At give en indføring i moderne signalbehandlingsmetoder til adaptiv stokastisk signalbehandling, klassifikation/machine learning og fortolkning af en- og fler-dimensionale signaler i forskellige applikationer herunder medicinske. At give indsigt i eksempler fra den medicinske verden og metoder til automatisk ekstraktion af diagnostisk information som en del af kurset. At opnå praktisk erfaring via to miniprojekter i signalbehandlingsmetoder og to miniprojekter fra hospitaler og/eller medicotekniske virksomheder.
Erhvervelse af viden om metoders forskellige anvendelsesmuligheder herunder medicinske.
Kurset giver viden om avanceret signalbehandling til civil specialiseringer bl.a. følgende indenfor Medicin og Teknologi: Signal og modelbaseret diagnostik, Billeddiagnostik og strålingsfysik, og Biomekanik og biomaterialer. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Anvende avanceret signalbehandling på en- og flerkanals medicinske signaler.
• Anvende avanceret signalbehandling på multidimensionale medicinske signaler.
• Fortolke og bearbejde medicinske signaler fra en række konkrete medicinske anvendelser.
• Beskrive og anvende signalbehandlingsmetoder til fjernelse af artifakter i medicinske signaler.
• Karakterisere unikke segmenter eller regioner i medicinske signaler og billeder med automatiske metoder med henblik på klassifikation/machine learning.
• Anvende signalbehandlingsmetoder til karakterisering af fysiologiske og patologiske fænomener.
• Benytte modellering af medicinske signaler til karakterisering af disse.
• Anvende signalbehandlingsmetoder til klassifikation af normale og patologiske fænomener observeret via signaler i forbindelse med diagnostisk beslutningsstøtte.
• Beskrive de anvendte medicinske signalbehandlingsmetoders muligheder og begrænsninger.
• Planlægge og udføre laboratorie- og projektarbejde, formidle resultater i form af en projektrapport, der opfylder de grundlæggende krav til videnskabelig formidling.

1. del af kurset fokuserer på en- og flerkanals-signalbehandling:
Støjreduktion og fjernelse af artefakter i medicinske signaler herunder nonadaptiv og adaptiv ("selvtænkende") filtrering.
Identifikation af begivenheder/epochs i signaler og sammenkædning med fysiologiske processer med bl.a. spektrale teknikker og matched filter teknik.
Automatisk karakterisering af underliggende fysiologiske og patologiske fænomener ud fra tids- og frekvensdomænet.
Metoder til medicinsk modellering af dannelsen af signaler og identifikation af sammenhængen mellem model og applikation fulgt af beslutningsstrategi.
Nonstationær signalanalyse herunder automatisk segmentering (opdeling) af signaler med statistiske metoder.
Ulineær signalbehandling i form af neurale model inspireret af hjernens ”signalbehandling”.
Mønsterklassifikation/​machine learning og følgende beslutningsstrategier for applikationen. Eksempelvis diagnostiske beslutningsstrategier.
2. del af kurset er centreret omkring medicinsk multidimensional signalbehandling:
Støjreduktion, fjernelser af artefakter og kontrastforbedring i flerdim. billeder.
Automatisk detektion af ”region of interest” (ROI) i billeder.
Analyse af organer, celler og objekters former og orientering, og vævsstrukturer.
Mønsterklassifikation, machine learning og beslutningsstrategier.
Analyse af bevægelsesapparatet til f.eks. genoptræning af hjerneskadede.
Automatisk detektion og klassifikation af hændelser i computer vision, eksempelvis detektion af epilepsianfald i videosekvenser.

Undervisningen suppleres med gæsteforelæsninger vedr. signalbehandling på hospitaler og i virksomheder.

I kurset arbejdes der med fire miniprojekter. Tentative projekter:
Dataopsamling af kroppens signaler, støjreduktion i medicinske signaler og automatisk diagnostisk fortolkning af signalerne.
Human Computer Interface (styring af computer med hjernesignaler), grundlæggende teknikker.
Multidimensional analyse og klassifikation af f.eks. hud- og brystkræft.
Automatisk videoovervågning, f.eks. af epilepsipatienter og 3D scanning. Kurset er rettet mod Medicin & Teknologi studerende, og er også brugbart for andre studerende med interesse i avanceret signalbehandling, da kursets metoder er generelt anvendelige. 05. maj, 2020