Universidad Pública de Navarra



Año Académico: 2017/2018 | Otros años:  2016/2017 
Máster Universitario en Ingeniería Biomédica por la Universidad Pública de Navarra
Código: 73310 Asignatura: Métodos de clasificación de ayuda al diagnóstico
Créditos: 4.5 Tipo: Optativa Curso: 1 Periodo: 2º S
Departamento: Ingeniería Eléctrica y Electrónica
Profesorado:
NAVALLAS IRUJO, JAVIER (Resp)   [Tutorías ] SANTAFE RODRIGO, GUZMAN   [Tutorías ]

Partes de este texto:

 

Módulo/Materia

Módulo de Especialidad

Materia: Especialidad en Procesado y Comunicación de Señales e Imágenes Médicas

Subir

Descriptores

  • Implementación y evaluación de sistemas de clasificación automática
  • Aplicación de sistemas de clasificación a señales biomédicas

 

Observaciones: 

Los requisitos básicos para la asignatura son los conocimientos básicos de señales y sistemas (manipulación de señales y extracción de características) y los adquiridos en la asignatura previa de Bioestadística.

Subir

Competencias genéricas

CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de
ideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos
nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos
especializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de
ser en gran medida autodirigido o autónomo.

Subir

Competencias específicas

  • Que los estudiantes posean las habilidades para plantear y desarrollar un sistema de clasificación de señales biomédicas orientado al diagnóstico a partir de una base de datos de señales etiquetadas.
  • Que los estudiantes sepan cuantificar y comparar el rendimiento de un clasificador de señales, validando estadísticamente los resultados.

Subir

Resultados aprendizaje

Al finalizar la asignatura, el alumno debe ser capaz de:

  • Gestionar y explotar una base de datos de señales biomédicas con fines orientados a la investigación.
  • Identificar y componer los elementos un sistema de clasificación.
  • Emplear técnicas multivariantes, Bayesianas, árboles de decisión y redes neuronales para la clasificación de señales.
  • Evaluar estadísticamente y de forma comparativa el rendimiento de los sistemas de clasificación.
  • Escribir una memoria científica de los resultados de un proyecto de investigación.
  • Presentar un trabajo científico de los resultados de un proyecto de investigación.

Subir

Metodología

Metodología - Actividad Horas Presenciales Horas no presenciales
A-1 Clases expositivas/participativas 15  
A-2 Prácticas 20  
A-3 Debates, puestas en común, tutoría grupos 5  
A-4 Elaboración de trabajo   30
A-5 Lecturas de material   20
A-6 Estudio individual   10 
A-7 Exámenes, pruebas de evaluación 5  
A-8 Tutorías individuales    
     
Total 45 60

Subir

Relación actividades formativas-competencias/resultados de aprendizaje

Competencia Actividad formativa
 - Que los estudiantes posean las habilidades para plantear y desarrollar un sistema de clasificación de señales biomédicas orientado al diagnóstico a partir de una base de datos de señales etiquetadas.  A1, A2, A3, A4, A5, A6, A7
-  Que los estudiantes sepan cuantificar y comparar el rendimiento de un clasificador de señales, validando estadísticamente los resultados.  A1, A2, A3, A5, A6, A7
   
   
   

Subir

Idiomas

La asignatura se desarrollará en castellano aunque parte de la documentación disponible sea en inglés.

Subir

Evaluación

Gestionar y explotar una base de datos de señales biomédicas con fines orientados a la investigación Proyecto       40       Si
Identificar y componer los elementos un sistema de clasificación Proyecto
Emplear técnicas multivariantes, Bayesianas, árboles de decisión y redes neuronales para la clasificación de señales Proyecto
Evaluar estadísticamente y de forma comparativa el rendimiento de los sistemas de clasificación Proyecto
Identificar y componer los elementos un sistema de clasificación Test     30 Si
Emplear técnicas multivariantes, Bayesianas, árboles de decisión y redes neuronales para la clasificación de señales Test Si
Evaluar estadísticamente y de forma comparativa el rendimiento de los sistemas de clasificación Test Si
Escribir una memoria científica de los resultados de un proyecto de investigación Memoria 15 Si
Presentar un trabajo científico de los resultados de un proyecto de investigación Presentación 15 Si

Subir

Contenidos

  • Análisis multivariante discriminante
  • Clasificación Bayesiana
  • Redes Neuronales
  • Otras metodologías

Subir

Temario

Introducción

  • Clasificación de patrones y diagnóstico médico.
  • Clasificación supervisada vs. Clasificación no supervisada.
  • Aprendizaje y evaluación.
  • FP y FN, sensibilidad y especificidad.
  • Métricas: Euclídea y Mahalanobis. Representantes y distancia mínima.
  • Análisis multivariante discriminante.

 Introducción. Objetivos del análisis

  • Clasificación con 2 poblaciones. Caso de poblaciones normales.
  • Generalización a la clasificación de varias poblaciones normales.
  • Obtención de variables canónicas discriminantes.
  • Discriminación cuadrática.
  • Aplicación práctica. Casos y ejemplos.

 Clasificación Bayesiana

  • Introducción al problema de clasificación desde el punto de vista de de la clasificación Bayesiana. Máxima verosimilitud, máximo a posteriori.
  • Redes Bayesianas: conceptos básicos, aprendizaje estructural, aprendizaje paramétrico.
  • Clasificadores basados en redes Bayesianas: naive Bayes, semi-naive Bayes, naive Bayes aumentado a árbol, otros clasificadores basado en redes Bayesianas.
  • Aplicación práctica. Casos y ejemplos.

 Redes Neuronales

  • Redes neuronales lineales. Relación con discriminantes lineales.
  • Redes neuronales no lineales.
  • Redes neuronales multicapa.
  • Algoritmo de retropropagación.
  • Guías para el diseño de redes neuronales orientadas a la clasificación.
  • Ejemplos de redes neuronales en sistemas de ayuda al diagnóstico.

 Otras metodologías

  • Mapas autoorganizados (SOM) de Kohonen
  • Suport Vector Machines
  • Árboles de decisión, modelos CART.

Subir

Bibliografía

Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.


  • M. Hall, I. Witten and E. Frank (2011). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann 
  • E. Castillo, J.M. Gutierrez and A. S. Hadi (1997). Expert Systems and Probabilistic Network Models.  Springer. 
  • Richard O. Duda, Peter E. Hart, David G. Stork. (2001). Pattern classification. John Wiley & Sons
  • D. M. Skapura (1996). Building Neural Networks. ACM Press.

Subir