Intelligent Biomedical Sensing 1: Signal Acquisition and MLModulbeschreibung #41307 / Version 1
- 9 LP
- Portfolioprüfung
- Benotet
- Wintersemester
- Englisch
| Modul / Version | #41307 / #1 |
|---|---|
| Gültigkeit | Seit SoSe 2026 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 9 |
| Modulverantwortliche*r | von Lühmann, Alexander |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352003 - Nachwuchsgruppe Alexander von Lühmann |
Kontakt
| Sekretariat | MAR 4-1 |
|---|---|
| Ansprechpartner*in | Keine Angabe |
| E-Mail-Adresse | vonluehmann@tu-berlin.de |
| Webseite | Keine Angabe |
Lernergebnisse
• Biosignalverständnis: Fundiertes Verständnis zentraler physiologischer Signale aus der Elektrophysiologie und Optik, insbesondere ECG, PPG sowie deren Beziehung zu Blutdruck und kardiovaskulärer Dynamik.
• Signalakquisition: Fähigkeit zur eigenständigen Planung, Durchführung und Bewertung von Biosignal-Messungen unter Berücksichtigung technischer, physiologischer und experimenteller Randbedingungen.
• Signalverarbeitung: Sichere Anwendung grundlegender Methoden der Zeit-, Frequenz- und Zeit-Frequenz-Analyse zur Vorverarbeitung, Qualitätsbewertung und Merkmalsextraktion von Biosignalen.
• Maschinelles Lernen: Verständnis zentraler Konzepte des maschinellen Lernens für Zeitreihen, einschließlich Feature-basierter Modelle, multivariater Methoden und grundlegender Fusionsansätze.
• Systemintegration: Grundlegende Kompetenzen in der Integration von Sensorik, Embedded-Hardware und Software zur Realisierung einfacher biomedizinischer Messsysteme.
• Problembewusstsein: Fähigkeit zur Identifikation und Bewertung typischer Herausforderungen wie Artefakte, Rauschen, Synchronisation, Bias und eingeschränkter Interpretierbarkeit.
• Wissenschaftliche Einordnung: Fähigkeit, aktuelle wissenschaftliche Arbeiten im Bereich Biomedical Sensing und Biosignalanalyse kritisch zu verstehen und zu präsentieren.
• Signalakquisition: Fähigkeit zur eigenständigen Planung, Durchführung und Bewertung von Biosignal-Messungen unter Berücksichtigung technischer, physiologischer und experimenteller Randbedingungen.
• Signalverarbeitung: Sichere Anwendung grundlegender Methoden der Zeit-, Frequenz- und Zeit-Frequenz-Analyse zur Vorverarbeitung, Qualitätsbewertung und Merkmalsextraktion von Biosignalen.
• Maschinelles Lernen: Verständnis zentraler Konzepte des maschinellen Lernens für Zeitreihen, einschließlich Feature-basierter Modelle, multivariater Methoden und grundlegender Fusionsansätze.
• Systemintegration: Grundlegende Kompetenzen in der Integration von Sensorik, Embedded-Hardware und Software zur Realisierung einfacher biomedizinischer Messsysteme.
• Problembewusstsein: Fähigkeit zur Identifikation und Bewertung typischer Herausforderungen wie Artefakte, Rauschen, Synchronisation, Bias und eingeschränkter Interpretierbarkeit.
• Wissenschaftliche Einordnung: Fähigkeit, aktuelle wissenschaftliche Arbeiten im Bereich Biomedical Sensing und Biosignalanalyse kritisch zu verstehen und zu präsentieren.
Lehrinhalte
Biomedical Sensing Project
• Embedded Systems Grundlagen: MCU-Architektur, ADC, GPIO, serielle Kommunikation.
• ECG: physiologische Grundlagen, Messprinzipien, Signalcharakteristik, Qualitätskriterien, Artefakte.
• PPG: optische Grundlagen, Signalentstehung, Merkmale, Störquellen.
• Blutdruck: Zusammenhänge zwischen ECG und PPG, PAT/PTT-basierte Ansätze, Grenzen cuffloser Verfahren.
• Echtzeit-Signalakquisition, Artefakterkennung und grundlegende Online-Verarbeitung.
• Praktische Umsetzung mit Mikrocontrollern und Sensorsystemen.
Machine Learning for Biomedical Signal Analysis
• Überblick über relevante Biosignale (EEG, EOG, EMG, ECG, EDA, fNIRS, DOT, PPG, DCS).
• Zeitreihen-Vorverarbeitung: Filter, Nyquist-Theorem, Fourier- und Wavelet-Analyse.
• Lineare und multivariate Modelle zur Signalzerlegung (überwacht und unüberwacht).
• Feature-Extraktion, Sensor- und Feature-Fusion.
• Typische Problemstellungen in realen Biosignaldaten: Artefakte, Nicht-Stationarität, Multimodalität, Erklärbarkeit.
• Embedded Systems Grundlagen: MCU-Architektur, ADC, GPIO, serielle Kommunikation.
• ECG: physiologische Grundlagen, Messprinzipien, Signalcharakteristik, Qualitätskriterien, Artefakte.
• PPG: optische Grundlagen, Signalentstehung, Merkmale, Störquellen.
• Blutdruck: Zusammenhänge zwischen ECG und PPG, PAT/PTT-basierte Ansätze, Grenzen cuffloser Verfahren.
• Echtzeit-Signalakquisition, Artefakterkennung und grundlegende Online-Verarbeitung.
• Praktische Umsetzung mit Mikrocontrollern und Sensorsystemen.
Machine Learning for Biomedical Signal Analysis
• Überblick über relevante Biosignale (EEG, EOG, EMG, ECG, EDA, fNIRS, DOT, PPG, DCS).
• Zeitreihen-Vorverarbeitung: Filter, Nyquist-Theorem, Fourier- und Wavelet-Analyse.
• Lineare und multivariate Modelle zur Signalzerlegung (überwacht und unüberwacht).
• Feature-Extraktion, Sensor- und Feature-Fusion.
• Typische Problemstellungen in realen Biosignaldaten: Artefakte, Nicht-Stationarität, Multimodalität, Erklärbarkeit.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
Arbeitsaufwand und Leistungspunkte
Biomedical Sensing (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 4 h | 60 h |
| Treffen mit Betreuer | 15 | 1 h | 15 h |
| Projektimplementierung und Projektreport | 1 | 70 h | 70 h |
| Literaturrecherche und Bearbeitung | 1 | 65 h | 65 h |
| 210 h | |||
Machine Learning for Biomedical Signal Analysis (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 2 h | 30 h |
| 60 h | |||
Der Aufwand des Moduls summiert sich zu 270 Stunden. Damit umfasst das Modul 9 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Projektbasierte Lehre: Das benotete Projekt bildet den Kern des Moduls und vermittelt Kompetenzen durch eigenständige praktische Arbeit an realen Messsystemen und Daten.
Vorlesung: Strukturierte Vermittlung theoretischer Grundlagen und methodischer Konzepte zur Einordnung und Vertiefung der Projektarbeit.
Praktische Übungen und Demonstrationen: Hardware-gestützte Laborformate, Live-Messungen und Analyse realer Biosignale.
Selbststudium: Vertiefung der Inhalte durch Literatur, Übungsaufgaben und eigenständige Implementationen.
Vorlesung: Strukturierte Vermittlung theoretischer Grundlagen und methodischer Konzepte zur Einordnung und Vertiefung der Projektarbeit.
Praktische Übungen und Demonstrationen: Hardware-gestützte Laborformate, Live-Messungen und Analyse realer Biosignale.
Selbststudium: Vertiefung der Inhalte durch Literatur, Übungsaufgaben und eigenständige Implementationen.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
• Kenntnisse in linearer Algebra, Analysis sowie Wahrscheinlichkeitstheorie und Stochastik
• Grundlagen des maschinellen Lernens
• Grundlegende Programmierkenntnisse (z. B. C/C++, Python)
• Grundlagen des maschinellen Lernens
• Grundlegende Programmierkenntnisse (z. B. C/C++, Python)
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| (Ergebnisprüfung) Projektbericht | 40 | schriftlich | 10-15 Seiten |
| (Ergebnisprüfung) Projektpräsentation | 30 | mündlich | 20 Minuten |
| (Punktuelle Leistungsabfrage) Multiple-Choice-Test | 20 | schriftlich | 45 Minuten |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 20.
Anmeldeformalitäten
Keine.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Informationssysteme / Information Systems |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| Computer Science (Informatik) StuPO 2015 | SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Informationssysteme / Information Systems |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems | |
| Elektrotechnik StuPO 2015 | SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Informationssysteme / Information Systems |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | SoSe 2026 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems |
| WiSe 2026/27 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems | |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Cognitive Systems |
Sonstiges
Keine.