Módulo/Materia
Módulo de Especialidad
Materia: Especialidad en Procesado y Comunicación de Señales e Imágenes Médicas
Subir
Descripción/Contenidos
- Análisis multivariante discriminante
- Clasificación Bayesiana
- Redes Neuronales
- Otras metodologías
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:
- 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 |
20 |
|
A-2 Prácticas |
15 |
|
A-3 Debates, puestas en común, tutoría grupos |
5 |
|
A-4 Elaboración de trabajo |
|
27,5 |
A-5 Lecturas de material |
|
20 |
A-6 Estudio individual |
|
20 |
A-7 Exámenes, pruebas de evaluación |
5 |
|
A-8 Tutorías individuales |
|
|
|
|
|
Total |
45 |
67,5 |
Subir
Idiomas
La asignatura se desarrollará en castellano aunque parte de la documentación disponible sea en inglés.
Subir
Evaluación
Explotar una base de datos de señales biomédicas con fines orientados a la investigación |
Proyecto |
30 |
Si |
Identificar y componer los elementos un sistema de clasificación |
Proyecto |
Emplear técnicas multivariantes, Bayesianas, árboles de decisión, kNN, SVM 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. Comprender los fundamentos de los árboles de decisión, kNN, SVM y redes neuronales para la clasificación de señales |
Examen tipo test |
10 |
Si |
Comprender los fundamentos de las técnicas multivariantes y Bayesianas para la clasificación de señales. Comprender los fundamentos de la evaluación estadística comparativa del rendimiento de los sistemas de clasificación |
Examen tipo test |
10 |
Si |
Evaluar estadísticamente y de forma comparativa el rendimiento de los sistemas de clasificación (R) |
Examen práctico |
10 |
Si |
Emplear árboles de decisión, redes neuronales, kNN y SVM para la clasificación de señales (Matlab) |
Examen práctico |
10 |
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
Temario
1. Introducción
- Clasificación automática.
- Ciclo de diseño.
- Extracción de características.
- Entrenamiento y evaluación.
- Prácticas con Matlab: caracterización de las observaciones y su distribución en el espacio de características; ecualización de características; separabilidad de las clases; figuras de mérito de la clasificación.
2. 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.
- Prácticas con Matlab: implementación de discriminantes lineales de distancia mínima; aprendizaje estocástico en redes neuronales lineales; uso del toolbox de Matlab para redes neuronales no lineales multicapa.
3. Árboles de decisión, kNN y SVM
- Árboles de decisión.
- k-Nearest Neighbors.
- Support Vector Machines.
- Aplicaciones en Matlab.
- Prácticas con Matlab: uso de la aplicación de entrenamiento de clasificadores de Matlab para el prototipado de árboles de decisión, clasificadores kNN y clasificadores SVM.
4. 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.
- Prácticas con R: Uso de R para resolver problemas de clasificación con datos médicos y biológicoa aplicando modelos de análisis discriminante lineal y cuadrático.
5. 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.
- Prácticas con R: Uso de R para resolver problemas de clasificación con datos médicos y biológicoa aplicando clasificadores basados en redes Bayesianas como naive Bayes, TAN y redes Bayesianas generales aplicadas a clasificación.
6. Evaluación de modelos de clasificación
- Introducción a la evaluación de clasificadores.
- Scores para evaluar la bondad de clasificadores.
- Métodos de estimación.
- Prácticas con R: Aplicación de métodos de evaluación y comparación de clasificadores con los resultados obtenidos en las prácticas del puntos 4 y 5 del temario.
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
Lugar de impartición
Laboratorio de Señales y Sistemas (Los Tejos, 2ª planta)
Subir